CN115222780B 基于语义掩膜的跨模态大形变图像配准方法 （西安电子科技大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115222780B(45)授权公告日2025.07.04

(21)申请号202210896469.2

(22)申请日2022.07.28

(65)同一申请的已公布的文献号申请公布号CN115222780A

(43)申请公布日2022.10.21

(73)专利权人西安电子科技大学

地址710071陕西省西安市太白南路2号

(72)发明人缑水平陈阳袁景童诺汪文婷刘豪锋

(74)专利代理机构陕西电子工业专利中心

61205

专利代理师王品华陈媛

(51)Int.CI.

GO6T7/30(2017.01)

GO6T7/10(2017.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)

(56)对比文件

陈阳.多模态医学影像腹部器官配准的深度学习方法研究.《知网》.2025,全文.

审查员秦涛

权利要求书4页说明书9页附图1页

(54)发明名称

基于语义掩膜的跨模态大形变图像配准方

法

(57)摘要

CN115222780B本发明公开了一种基于语义掩膜的跨模态大形变图像配准方法，主要解决现有技术使用对大形变跨模态医学图像配准效果差的问题。其方案是：使用分割网络从原始数据中分割出关键器官；使用关键器官的分割结果计算关键器官的均值掩膜；使用仿射配准网络对关键器官的均值掩膜做仿射配准得到仿射配准参数；使用仿射配准参数对原始数据做仿射配准，根据放射配准结果计算质心主轴掩膜；使用形变配准网络对质心主轴掩膜做形变配准得到形变场；使用形变场对仿射配准结果做形变配准得到最终配准结果。本发明能保持大形变配准过程中器官内部结构，改善配准结果平滑度，提高跨模态配准效果，可用于

CN115222780B

盘

盘

使用Mask-RCNN网络得到训练集和测试集的分割结果

将测试集的分割结果D?和训练集的分割结果Dv得到测试集的均值掩膜M和训练集的均值掩膜M

使用仿射配准网络从均值掩膜得到仿射配准结果

使用语义掩膜生成方法从仿射配准结果生成质心主轴掩膜。

使用形变配准网络从质心主轴掩膜得到形变配准结果

策

CN115222780B权利要求书1/4页

2

1.一种基于语义掩膜的跨模态大形变图像配准方法，其特征在于，包括：

(1)以跨模态大形变医学图像数据集作为原始数据，将其按照4:1划分为训练集和测试集，训练集和测试集均包括标签和图像两部分，其中训练集的图像标记为I,测试集的图像标记为I;

(2)将训练集中的图像输入到Mask-RCNN网络中，使用训练集中的标签和Mask-RCNN网络的输出结果迭代更新网络参数，直到进行10000次迭代后，得到训练好的Mask-RCNN网络；

(3)将测试集和训练集中的图像输入到训练好的Mask-RCNN网络中，得到测试集的分割结果D?和训练集的分割结果D;

(4)利用分割结果构建多级配准框架，并使用多级配准框架得到多级配准结果：

(4a)将测试集的分割结果D和训练集的分割结果D乘以固定系数L,得到测试集的均值语义掩膜M和训练集的均值语义掩膜M;

(4b)利用训练集的均值语义掩膜M,构建用语义掩膜训练的仿射配准网络SA′,并使用SA从测试集的均值语义掩膜M得到仿射配准结果；

(4c)利用仿射配准结果生成训练集的质心主轴语义掩膜Mv和测试集的质心主轴语义掩膜MOT;

(4d)利用训练集的质心主轴语义掩膜Me,构建用语义掩膜训练的形变配准网络SB′,并使用SB’从测试集的质心主轴语义掩膜Mpor中得到形变配准结果，所得到的形变配准结果即多级配准结果。

2.根据权利要求1所述的方法，其特征在于，所述(4b)中利用训练集的均值语义掩膜M,构建用语义掩膜训练的仿射配准网络SA′,并使用SA从测试集的均值语义掩膜M得到仿射配准结果，实现如下：

(4b1)将训练集的均值语义掩膜M,输入到仿射配准网络S中，得到训练集的仿射配准参数H;

(4b2)使用训练集的仿射配准参数H分别对训练集的分割结果D和图像I做仿射配准，得到Dy的仿射配准结果Dy和I的仿射配准结果I′;

(4b3)使用仿射配准后的训练集分割结果D′和训练集的仿射配准参数H,迭代更新网络参数，直到进行20000次迭代后，得到用语义掩膜训练好的仿射配准网络SA