摘要
本发明涉及基于医学图像的多模态配准方法与装置,该方法包括:获取脑部配准数据集,并将其划分为训练集和测试集。基于UNet的网络结构构造配准网络。选取输入图像输入至对偶架构,对输入图像进行双向一次配准,得到正向和逆向的形变场以及一次配准图像,将对偶双方交换形变场应用于一次配准图像进行二次配准,得到二次配准图像。调用Laplace算子分别从输入图像、一次配准图像以及二次配准图像中提取结构特征,通过结构相似性度量对配准网络进行约束。通过训练集和测试集对端到端的无监督图像配准算法进行训练,根据损失约束对其进行优化。将待检测配准图像输入配准网络,应用最优模型权重,输出配准结果,保证结果的均匀性和准确性。
技术关键词
Laplace算子
配准方法
图像配准算法
图像像素
无监督
度量
医学
网络结构
拉普拉斯
数据
成像
表达式
磁共振
计算机存储介质
上采样
特征提取模块
系统为您推荐了相关专利信息
环境参数调控方法
人工智能模型训练
无监督机器学习
服务器机房
半监督机器学习
稀疏孔径光学系统
偏振图像融合方法
编码器
局部细节特征
融合特征
标签
半监督图像分类方法
图像类别
训练图像分类模型
模型更新
模型构建方法
分子
无监督聚类分析
蛋白质编码基因
随机森林