公开(公告)号：CN116012344B

公开(公告)日：2023-10-20

申请号：CN202310043858.5

申请日：2023-01-29

Applicant: 东北林业大学

Inventor： 邱兆文 ,  肖辛 ,  杨光远 ,  董素宇 ,  郭子钰

IPC: G06T7/00 ,  G06T7/33 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供一种基于掩码自编码器CNN‑Transformer的心脏磁共振图像配准方法，属于医学图像处理技术领域。为解决现有技术中图像冗余特征以及注意力权重区分不够差异化所带来的计算量巨大，同时无法达到较高配准精度的问题。通过基于掩码自编码器的Transformer预训练网络获取预训练权重，以用于基于CNN‑Transformer配准网络的权重初始化，配准网络通过空间&通道并行挤压与激励模块生成具有不同维度注意力分布加权的特征图；通过Transformer编码器进行特征提取；通过基于CNN的解码器生成固定图像与浮动图像之间的形变场；将浮动图像、形变场输入空间变换网络，得到配准图像；计算配准图像与固定图像之间的损失，生成最优权重配准网络。本发明方法能够减少计算量的同时，达到更精准的配准结果。

公开(公告)号：CN116012344A

公开(公告)日：2023-04-25

申请号：CN202310043858.5

申请日：2023-01-29

Applicant: 东北林业大学

Inventor： 邱兆文 ,  肖辛 ,  杨光远 ,  董素宇 ,  郭子钰

IPC: G06T7/00 ,  G06T7/33 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供一种基于掩码自编码器CNN‑Transformer的心脏磁共振图像配准方法，属于医学图像处理技术领域。为解决现有技术中图像冗余特征以及注意力权重区分不够差异化所带来的计算量巨大，同时无法达到较高配准精度的问题。通过基于掩码自编码器的Transformer预训练网络获取预训练权重，以用于基于CNN‑Transformer配准网络的权重初始化，配准网络通过空间&通道并行挤压与激励模块生成具有不同维度注意力分布加权的特征图；通过Transformer编码器进行特征提取；通过基于CNN的解码器生成固定图像与浮动图像之间的形变场；将浮动图像、形变场输入空间变换网络，得到配准图像；计算配准图像与固定图像之间的损失，生成最优权重配准网络。本发明方法能够减少计算量的同时，达到更精准的配准结果。