买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利一种医学图像的非刚性配准方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116883467B 。

龙图腾网通过国家知识产权局官网在2026-02-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310871811.8，技术领域涉及：G06T7/33；该发明授权一种医学图像的非刚性配准方法是由张立和;张恒宇;卢湖川设计研发完成，并于2023-07-17向国家知识产权局提交的专利申请。

本一种医学图像的非刚性配准方法在说明书摘要公布了：本发明提供了一种医学图像的非刚性配准方法，具体步骤包括：1输入浮动、固定图像，送入金字塔特征编码器而生成不同采样倍率的特征图；2从最高的采样倍率的特征开始，逐阶段地生成自适应的位移空间、位移场，并估计不确定度；3根据上一阶段的不确定度与当前阶段的浮动特征，分别形成位移基数与位移微调值，再加和得到自适应的位移空间；4根据当前阶段的形变特征、目标特征以及位移空间，通过多头相关、代价聚合、归一化和位移融合步骤后得到位移场，并同时估计该场的不确定度；5重复步骤2至4，直至获得与原图尺寸相同的位移场，形变图像后得到最终的配准结果。

本发明授权一种医学图像的非刚性配准方法在权利要求书中公布了：1.一种医学图像的非刚性配准方法，其特征在于，步骤如下： 步骤1金字塔特征编码 该步骤的输入为浮动图像和固定图像，然后分别送入一个共享参数的金字塔特征编码网络，从而得到不同采样倍率的浮动特征图或固定特征图；金字塔特征编码网络的作用是生成不同采样倍率的特征图，即一个特征金字塔；特征编码网络的主要组件是3D卷积层，并以ResNet的残差块结构为基本单位进行堆叠，且通过设置卷积层的stride而得到不同的采样倍率；接下来的步骤以每一种倍率的特征图为一个阶段，并于最高的采样倍率，即最小尺寸的特征图开始，逐个阶段地生成更大尺寸、更精密的场； 步骤2阶段预处理 该步骤输入首先将上一阶段的位移场、不确定度进行上采样，从而得到与特征图相同的尺寸；如果是第一个阶段，则初始化位移场与不确定度为零向量；接着将步骤1获得的当前阶段的浮动特征进行形变，只需通过上采样后的位移场即可完成，得到当前阶段的形变后的浮动特征，简称为形变特征： ； 其中x、y、z表示体素位置，对应3D图像的三个坐标轴；和分别为浮动特征和形变特征；位移场包含了3个3维矩阵，每个矩阵尺寸与浮动特征一致，表示从浮动特征向固定特征进行变换的关系矩阵，则为形变操作；不同通道所做的形变操作是相同的； 步骤3生成位移空间 该步骤输入由两部分组成，一部分是当前阶段的浮动特征图，将浮动特征图送入多层卷积器，生成位移微调值，具体形式为一个四维张量： ； 其中表示位移微调值，而t表示位移空间中的点数；其中的c表示特征图的通道数；Convs表示一系列的自网络结构，由多层的3D卷积、实例归一化和非线性激活函数组成； 该步骤输入的另一部分是上一阶段的不确定度，将其通过一个线性变换而生成位移基数值； ； 其中表示位移基数值；表示不确定度，和表示线性变换的参数，space表示三维空间中一个立方体状的采样空间，其点数为t个；做第二个乘法前，需要将张量扩展到同一维度； 将位移基数、位移微调值进行加和，则得到一个坐标向量，即最终的离散位移空间： =+； 其中Disp表示最终的位移空间，具体为一个坐标向量； 步骤4多头场估计 该步骤的输入由两部分组成，第一部分为通过步骤2获得的当前阶段的形变特征以及通过步骤1获得的固定特征图，另一部分为3步骤生成的自适应坐标即位移空间，通过多头相关、代价聚合、归一化和位移融合后得到位移场，并同时估计该场的不确定度；具体而言，先将形变特征根据自适应坐标进行采样，是进行t轮采样，因此生成的特征会增加一个t维度： ； 其中表示采样得到的多位移特征； 将多位移特征、固定特征分别划分成k个头，本质就是对通道进行分组，即操作： ； ； 然后在维度上进行相关运算，得到k头相似代价体： ； 其中表示内积运算； 然后通过k头卷积网络进行代价聚合，最终得到代价体： Cost] 其中K_Convs表示一系列的自网络结构，由多层的3D卷积、实例归一化、非线性激活函数组成，且卷积层的分组数为k； 再对所有不同头生成的位移进行归一化运算，得到位移空间所对应的概率向量Pro： Pro]； 其中Softmax表示归一化函数，此处在k和t两个维度上进行； 最后将位移空间与概率向量进行内积，得到融合后的位移场： ； 其中表示内积运算，且在k和t两个维度上进行，且进行前将张量进行扩展； 由于位移场本质是一阶矩结果，而二阶中心矩的根号结果就得到了不确定度；具体计算过程如下： ； 当生成了与浮动特征图同种尺度的位移场和不确定度后，则认为该阶段完成，即将开始下一阶段，跳转至2步骤；如果所有阶段均完成，则进入5步骤； 步骤5构建无监督损失函数 得到与原图相同尺度的位移场后，对浮动图像进行形变，得到的形变图像即为最终的配准结果： ； 训练神经网络模型需要构建损失函数，使用无监督损失函数，其构建由两部分组成：一是相似性损失函数，二是位移场的平滑性损失函数；将二者加和得到最终的损失函数，则为二者的平衡参数，又称正则化系数： 。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。