摘要
医学图像配准技术在现代医学领域具有重要地位和广泛的应用价值。它能够将来源于不同时间点或不同成像设备的多个影像数据进行有效的空间几何配准，实现解剖结构的精确对齐，为临床医生提供影像比对和综合分析的基础，有助于提升诊断精度和优化治疗方案。其中，脑部影像配准是该领域的一个重点和难点，由于脑部结构的复杂多变性、微细解剖区域以及病理表现的多样化，实现高质量的脑影像配准面临诸多挑战。但同时，脑影像配准也是临床诊疗工作中不可或缺的关键环节，对于神经系统疾病的早期检测、病灶精准定位、手术路径规划以及疗程监测等均发挥着重要作用。因此，开发高精度高效率的脑部影像配准算法，对于提升临床医疗水平而言意义重大。 传统的医学图像配准算法虽取得一定进展，但也存在一些缺陷和弊端。例如，传统方法往往需要人工标注控制点，这一过程不仅费时费力，且要求操作者具备专业知识和丰富经验。此外，在处理非刚性变形图像时，配准效果往往不理想；当面临海量影像数据时，算法的计算效率也较为低下，难以满足实际临床需求。随着深度学习技术的飞速发展，基于深度神经网络的医学图像配准算法也取得了显著进展。深度学习模型擅长自动学习图像特征表示和复杂变换模式，使得配准算法能更好地应对非刚性变形等挑战。然而，当前的深度学习配准方法在配准精度、大变形适应性、模型泛化能力等方面仍然存在一定的缺陷和不足。针对上述挑战，本文专门设计了两种无监督的脑部医学图像配准算法，并在多个公开数据集上开展了大量实证分析和对比实验，以验证所提方法的有效性。具体研究内容包括： 1.本文提出了一种基于大核卷积和注意力机制的配准网络(Purelargekernelconvolutionneuralnetworktransformerformedicalimageregistration,PCTNet)。通过重新设计卷积神经网络模块，采用大尺寸卷积核，一方面扩展了网络的感受野，增强了对大变形区域的配准能力，另一方面简化了模型内部结构，实现了类似于Transformer的长程依赖建模功能，提升了模型的泛化性。此外，为了有效捕捉两幅影像之间的空间对应关系，本文提出了空间交互注意力模块。该模块能够自适应增强网络对关键区域的关注度，同时保留图像的上下文信息，从而提高了网络的整体性能和鲁棒性。本文在多个公开数据集上开展了大量对比实验和消融分析，验证了该模型对各类脑部结构的优秀配准能力，并专门探讨了不同卷积核尺寸对模型配准性能的影响。实验结果有力证明了所提出方法在配准精度和效率方面的优越性。 2.本文提出了一种基于整体与局部的双分支特征融合配准网络(Dualbranchfeaturefusionregistrationnetworkbasedonglobalandlocal,DFF-GL)。现有的诸多深度学习配准算法往往将成对图像直接输入网络，忽视了各图像自身固有特征以及局部细节特征的重要性。为有效解决这一问题，所提出的DFF-GL由一个双分支全局配准子网络和一个局部配准子网络并行组成。其中，全局配准子网络的两个分支分别将移动图像和固定图像作为输入，负责提取整体的全局特征表示；而局部配准子网络则将图像对进行分块操作后输入，专注于捕捉图像的局部细节信息。两个子网络分别生成对应的形变场预测结果，之后将两者融合得到最终的配准形变场输出。此外，本文专门设计了一种特征权重融合模块，实现了全局配准网络两个分支之间的特征交互，充分融合了来自两个分支的特征表示，挖掘了图像的多尺度特征。实验结果证明了该方法在配准精度和鲁棒性方面的优势。
NETL