摘要
医学图像配准是医学图像分析领域中举足轻重的一个方向，是医学图像融合与图像引导治疗等场景的核心技术，其主要任务为寻找对应图像之间的空间关系，使得对应图像保持空间坐标一致性。对于不同的实际应用，一般会使用不同的配准技术，其中包括针对整体变形的刚性配准与针对局部变形的非刚性配准。由于医学图像存在梯度复杂与体素强度不均匀等原因，精确配准医学图像成为了一项具有挑战性的任务。为了克服上述问题，本文主要开展了以下两部分工作。 （1）构建了一个使用双重注意力模块的无监督可变形配准网络，该网络通过预测形变场以配准电子计算机断层扫描（ComputedTomography，CT）与锥形束电子计算机断层扫描（ConeBeamComputedTomography，CBCT）图像。双重注意力模块包含尺度感知位置注意力块与尺度感知通道注意力块两部分，该模块克服了CT与CBCT图像存在的局部强度差异，整合来自图像位置与通道映射的背景信息。具体来说，尺度感知位置注意力块通过对不同位置的多尺度特征进行加权聚合，增强了相似特征的相关性，而尺度感知通道注意力块则通过处理所有通道映射的多尺度特征，有选择地强调通道图之间的依赖关系。在4D-LUNG数据集上，将提出的方法与现有的主流方法进行了比较，实验的评价指标结果验证了所提出方法的有效性。此外，值得一提的是，所提出的方法可以在无需人工标注标签的情况下高精度的配准CT与CBCT图像。 （2）构建了一个联合OW-Transformer与卷积的无监督可变形配准网络。卷积神经网络由于其权重共享和局部连接的特性，在各种医学图像处理任务中发挥了重要作用。然而，卷积神经网络由于自身的特点，缺乏对图像远程空间的理解。对于可变形的医学图像配准任务，获取两幅图像之间点对点的密集非线性关系是至关重要的。因此，将可以有效集中远距离空间信息的OW-Transformer与卷积联合共同处理可变形配准任务。在OW-Transformer中，所使用的正交窗口注意力机制发挥了重要作用，从医学图像的三个正交窗口中分别获取注意力，在提升配准精度的同时节省了计算效率，有效地完成了三维医学图像的配准任务。此外，原始图像对的背景信息被整合到网络中，使网络可以始终感知待配准图像的空间对应关系。分别在肝部数据与肺部数据的数据集上的实验证明，与主流算法相比，所提出的方法取得了最佳性能。
NETL