摘要
医学图像配准(MedicalImageRegistration)是一种将两个或多个图像(通常为两个)对准的过程，这些图像可能是由不同的成像设备获得的，也可能在不同时间点或从不同视角拍摄的。这一过程的目的是在不同图像之间找到一个最佳的对应关系，以便于帮助医生理解和分析医学图像，更好地观察病变的进展情况。近年来，尽管深度学习在医学图像配准领域取得了显著进展，但仍然面临着挑战，其中包括配准准确率、形变场的平滑度尚未达到理想水平的问题。因此，本研究旨在深入探讨当前医学图像配准领域的挑战，并通过进一步研究医学图像配准算法，致力于解决以下问题： (1)提出基于改进UNet的可变形医学图像配准算法。针对UNet网络在训练过程中使用固定尺度和分辨率的图像，限制网络在不同尺度和分辨率下的泛化能力问题，本文在UNet网络中嵌入了多尺度特征提取卷积块，提出了Broad-UNet-diff方法。该方法通过综合考虑图像在不同尺度下的信息，利用多尺度网络结构对输入图像进行多次处理，以获取更加丰富和全面的特征表示。为了使模型更好地理解特征之间的空间对应关系，获得多层次语义信息进行精细配准，在Broad-UNet-diff研究基础之上，改进网络结构，提出新算法LK-CAUNet。该模型包括两个并行的特征提取子网络，它们各自的特征以交叉注意的形式进行融合和匹配，通过基于交叉注意的融合模块逐步融合匹配不同图像的特征表示，从而实现运动-固定图像的特征表示的对应。 (2)提出基于相似性注意力的逆一致可变形医学图像配准网络ICSANet。基于UNet的可变形医学图像配准算法在解码阶段恢复原始图像分辨率的过程中容易丢失重要的相似性信息，为了减弱这一问题对后续配准结果的影响，本文在每个解码块前放置了一个基于相似性的局部注意力模块。这种改进有助于网络有效地捕获输入图像之间的相似性，增强了网络学习空间对应关系的能力。同时，现有的配准方法还存在使用变形场进行图像配准时，源图像与配准图像之间的拓扑结构无法保持的问题。为了避免这一问题，本文将两张图像同时输入到两个配准网络中，使两张图像交替作为源图像和目标图像进行配准，这种逆一致配准网络的提出可以确保配准后的图像保持原始拓扑结构。 本文在OASIS和IXI两个公开数据集上展开了广泛实验，对本文所提方法与当前性能比较好的配准技术通过量化指标和可视化方法进行了比较，证明了本文方法在性能上有了明显提升，验证了所提方法的可行性。
NETL