摘要
医学图像配准是医学图像处理领域中的一项重要任务，其由于具有极高的临床诊断价值以及复杂的空间变换形态，因此一直受到研究人员的广泛关注。近年来，深度学习技术因其具备良好的泛化性能以及高效的预测速度，而被逐渐应用于医学图像配准任务中。然而目前基于深度学习的医学图像配准方法仍然面临着几点待优化的问题：一是目前使用图像的分割标签作为弱监督信息的配准方法尚未充分发挥分割标签的作用，同时还会引入新的问题；二是现有正则化方法虽然能够保证变形后图像不至于失真，但对于形变场平滑度的约束效果仍有待提高；三是目前基于深度学习的配准方法大多只使用单一网络来直接预测密集形变场，这可能使得图像的某些重要特征难以得到良好匹配。因此针对上述问题，本文以图像的特征作为基点，分别在特征提取、优化策略、模型架构这三个方面进行了深入的研究，现将其主要内容表述如下： （1）针对目前使用分割标签的弱监督配准方法所存在的问题，本文首先提出了一种轮廓特征提取方法，即利用边缘检测算法提取图像分割标签的轮廓特征，以作为改进的弱监督信息。相较于原始分割标签，轮廓特征可以直接适应灰度线性插值，从而使网络结构可微。之后本文根据所提取的轮廓特征构建了额外的损失函数，以约束网络参数的优化过程。相较于分割标签损失，轮廓特征损失不仅能强化弱监督信息的约束，同时还能降低内存消耗。本文在脑部数据集上进行了对比实验，结果表明相比于使用分割标签的弱监督配准方法，本方法对于配准精度的提升更为显著。 （2）针对现有正则化方法在约束形变场平滑度上存在局限性的问题，本文提出了一种交替优化的策略。基于该策略，将单一模型改进为了形变参数模型与形变场平滑模型两个部分，二者使用交替优化的方式来更新网络参数。其中形变参数模型用于获取图像的像素之间精确的对应关系，以保证配准精度；而形变场平滑模型则用于正则化，以保证形变场的平滑度。同样通过在脑部数据集上的对比试验，证明了交替优化策略相比于直接进行正则化，能够获得更为平滑的形变场。 （3）针对仅使用单一网络来直接预测密集形变场所存在的问题，本文提出了一种由粗到精的配准理念，即优先匹配图像的重要特征，以使图像在全局层面变换到更优的姿态，之后再对图像的局部特征进行细化，以获得更为精确的配准结果。基于这一理念，本文构建了一种新颖的医学图像配准框架CFIR。该框架由两个子网络组成，分别为基于特征点的配准网络LRN与可变形图像配准网络DRN。其中LRN用于提取医学图像的重要特征点，并根据这些特征点对图像进行粗配准；而DRN则用于预测密集形变场，并使用该形变场对粗配准结果进行精配准。本文在脑部以及肝脏数据集上进行了相关实验，证明了本方法的有效性与通用性。同时本文还将CFIR与目前最先进的级联网络架构进行了对比，不仅讨论了二者之间的差异，更验证了由粗到精配准理念的必要性。
NETL