一种基于对比学习提升医学图像配准网络性能的方法

本发明公开了一种基于对比学习提升医学图像配准网络性能的方法，其特点是采用随机形变场以及训练过程中网络生成的形变场，对目标图像进行形变，使用目标图像特征的边缘点集作为锚点，配准图像特征的边缘点集作为正样本，两幅图像特征的随机非零点集为负样本，通过对比学习损失函数优化医学图像配准网络的性能。本发明与现有技术相比具有增强医学图像配准模型编码器的特征提取能力，在推理阶段无需引入额外资源，有效提升了最终配准的精度，该对比学习编码器的提升方法具有便捷高效，即插即用的特点，可以嵌入到当前绝大多数的医学图像配准网络中，以此来提升模型在配准任务上的性能，有效解决了医学图像配准网络中编码器特征提取能力不足等问题。