摘要
医学图像配准是医学图像分析和临床诊断中关键的预处理步骤，配准速度及精度会影响后续任务的定量分析。随着机器学习理论技术的发展，深度学习技术已被广泛应用于各种医学图像配准任务，而无监督配准方法由于不依赖真实标签数据已经成为医学图像配准中的研究热点。 针对无监督配准方法较难估计图像局部形变的问题，提出基于密集尺度不变特征变换的无监督医学图像配准方法，以密集网格形式提取图像尺度不变特征变换的局部特征，将提取到的特征参与图像配准，以此提高对图像中纹理结构复杂区域的配准能力。同时，以U-Net为基础设计基于密集尺度不变特征变换的无监督医学图像配准网络，通过在编码器级联不同尺寸卷积核提取配准图像对的多尺度特征，以此提升网络特征提取能力。在心脏数据集和脑部数据集进行实验，结果表明，本文提出的方法能显著提高配准精度，且实时性和稳定性较好。 针对卷积神经网络较难关注配准图像对空间对应关系的问题，提出基于多层级特征融合的多模态配准方法，并行提取参考图和浮动图特征，在多层级结构中使用双输入空间注意力模块实现多模特征渐进融合，获取其空间对应关系，并将这种对应关系映射到图像配准变换中。为实现多模态图像无监督配准，将基于密集对称尺度不变特征变换的局部特征向量化，参与图像配准，引导网络参数迭代优化。在公开脑部单模态和多模态数据集进行实验，结果表明，本文提出的方法优于目前主流配准方法，能有效提升单模态及多模态图像配准精度。
NETL