公开(公告)号：CN111127532B

公开(公告)日：2020-12-22

申请号：CN201911413634.9

申请日：2019-12-31

Applicant: 成都信息工程大学

Inventor： 胡金蓉 ,  李达平 ,  雷志琴 ,  吴锡 ,  周激流

IPC: G06T7/33 ,  G06K9/46 ,  G06N3/04

Abstract: 本发明属于图像处理技术领域，公开了一种基于深度学习特征光流的医学图像形变配准方法及系统，提取像素所在图像块，用训练好的Siamese网络提取像素所在图像块的深度学习特征，基于该特征求解光流场。本发明通过Siamese特征提取良好的特征描述符，提高像素点的匹配精度；通过对比损失函数学习到的映射关系，使得在高维空间中相同类别但距离较远的点在特征维空间中距离更近；而不同类别但距离较近的点在特征维空间中距离更远；基于对比损失函数训练的Siamese卷积神经网络提取的Siamese特征比SIFT特征以及一般的深度学习特征等区分度更高、更稳定，更适宜于差异计算和得到更加准确的计算结果。

公开(公告)号：CN111127532A

公开(公告)日：2020-05-08

申请号：CN201911413634.9

申请日：2019-12-31

Applicant: 成都信息工程大学

Inventor： 胡金蓉 ,  李达平 ,  雷志琴 ,  吴锡 ,  周激流

IPC: G06T7/33 ,  G06K9/46 ,  G06N3/04

Abstract: 本发明属于图像处理技术领域，公开了一种基于深度学习特征光流的医学图像形变配准方法及系统，提取像素所在图像块，用训练好的Siamese网络提取像素所在图像块的深度学习特征，基于该特征求解光流场。本发明通过Siamese特征提取良好的特征描述符，提高像素点的匹配精度；通过对比损失函数学习到的映射关系，使得在高维空间中相同类别但距离较远的点在特征维空间中距离更近；而不同类别但距离较近的点在特征维空间中距离更远；基于对比损失函数训练的Siamese卷积神经网络提取的Siamese特征比SIFT特征以及一般的深度学习特征等区分度更高、更稳定，更适宜于差异计算和得到更加准确的计算结果。