1.一种基于频域和图像域特征的脑部MRI配准方法,其特征在于,包括:步骤(1):获取脑部MRI数据集,对所述脑部MRI数据集进行数据预处理;
步骤(2):在所述脑部MRI数据集中随机选取一对图像作为浮动图像和固定图像,进行拼接与处理,并分别利用小波变换和旋转窗Transformer进行特征提取,得到最优特征提取图;
步骤(3):解码所述最优特征提取图得到配准变形场;
步骤(4):将所述浮动图像与所述配准变形场输入空间变换网络,得到配准图像;
步骤(5):对所述固定图像和所述配准图像进行相似性测度,并对所述配准变形场中的边界对齐以及折叠点进行优化;
步骤(6):使用配准网络进行迭代训练,得到最优权重参数的网络模型;
步骤(7):输入待配准图像至所述最优权重参数的网络模型,得到配准结果。
2.根据权利要求1所述的一种基于频域和图像域特征的脑部MRI配准方法,其特征在于,步骤(1)中,所述数据预处理为:使用FreeSurfer进行颅骨去除处理、仿射对齐、归一化、尺寸裁剪。
3.根据权利要求1所述的一种基于频域和图像域特征的脑部MRI配准方法,其特征在于,步骤(2)中,搭建具有双通道路径的特征编码模块,对所述浮动图像和所述固定图像进行拼接,随后分别输入至所述小波变换和所述旋转窗Transformer的编码器进行下采样处理。
4.根据权利要求1所述的一种基于频域和图像域特征的脑部MRI配准方法,其特征在于,步骤(2)中,所述小波变换进行特征提取具体为:每一层基于小波变换的前向传播网络定义为:
T
ψs=UGsU;
其中,Gs表示一个特征图信号;s是一个尺度系数,描述了小波基信号的不同尺;ψs表示小波基,U表示拉普拉斯矩阵特征向量构成的矩阵。 是一个对角阵,表示第k层可供学习的卷积核; 表示具有fk个通道的n个节点。P为特征向量 的一个维度n×p,q为特性向量 的一个维度n×q。
5.根据权利要求1所述的一种基于频域和图像域特征的脑部MRI配准方法,其特征在于,步骤(2)中,所述旋转窗Transformer进行特征提取具体为:旋转窗Transformer模块定义如下:
其中,W‑MSA表示基于窗的多头注意力模块,MLP表示多层感知机,SM‑WSA表示使用正则l‑1化和旋转窗的多头注意力模块,x 和 分别表示W‑MSA模块和SM‑WSA模块的输入和输出特l征,X表示下采样输出特征,LN表示层归一化。
6.根据权利要求1所述的一种基于频域和图像域特征的脑部MRI配准方法,其特征在于,步骤(3)中,搭建多尺度信息融合的解码模块,从所述最优特征图中提取区分能力强的特征,得到所述配准变形场。
7.根据权利要求1所述的一种基于频域和图像域特征的脑部MRI配准方法,其特征在于,步骤(4)中,应用三线性插值对浮动图像进行变换,将所述浮动图像与所述配准变形场输入空间变换网络,得到配准图像;所述三线性插值定义如下:其中,IM和 分别表示浮动图像和配准图像,x表示IM中的体素,y表示8像素立方体邻域x+φ(y)中的体素,d∈{i,j,k}表示图像的三个维度,φ表示配准变形场。
8.根据权利要求1所述的一种基于频域和图像域特征的脑部MRI配准方法,其特征在于,步骤(5)中,通过在相似性测度目标函数中使用结构相似度损失对所述边界对齐进行优化;通过在相似性测度目标函数中使用平滑正则项对折叠点进行优化;
所述相似度目标函数设计为:
其中, 表示相似性测度目标函数, 表示结构相似度损失,是固定图像IF和配准图像 之间的相似性度量;λ表示反折叠正则化项超参数;
所述固定图像IF和配准图像 之间的结构相似性损失为 定义如下:其中,IF和 分别被定义为固定图像和配准图像; 表示图像IF在立方体大小为n=11的邻域上的像素强度均值, 表示图像 在立方体大小为n=11的邻域上的像素强度均值; 表示表示图像IF在立方体大小为n=11的邻域上的像素强度方差,表示图像 在立方体大小为n=11的邻域上的像素强度方差; 是两幅图
2 2
像在立方体大小为n=11的邻域上的协方差;C1=(K1L)C2=(K2L) 是两个变量,用来维持方程的稳定;L是像素的动态范围;
所述平滑正则项 定义如下:
其中, 和 分别代表变形场φ的一阶导数和二阶导数。
9.根据权利要求1所述的一种基于频域和图像域特征的脑部MRI配准方法,其特征在于,步骤(6)中,对配准网络进行迭代训练,使用Adam优化器进行优化,并设置学习率参数为
2e‑4,批大小设置为1,设置训练次数为1000周期,每个周期迭代100次,达到训练次数的阈值时,训练终止。
10.根据权利要求1所述的一种基于频域和图像域特征的脑部MRI配准方法,其特征在于,步骤(7)中,还包括应用重合度系数对所述配准结果进行评价;
所述重合度系数定义如下:
M和W分别表示两幅图像;其中,重合度DSC越接近1,表示图像的解剖结构对齐越精准。