基于深度学习的群配准技术研究.pdfVIP

摘要

针对一组医学影像数据的图像配准也称为群配准，群配准的目的是为了精确分析一组

影像数据的个体间差异。为此研究者通常选取一幅具有较高群体代表性的图像作为参考，

通过将其他图像配准到该选中的参考图像上完成群体图像的对比分析。这样选择代表性个

体作为参考图像引导分析群体影像数据的做法无法避免个体偏差的引入。寻找群体无偏的

参考图像空间，完成群配准和对比分析是解决这一问题的关键。一般来说，群配准能够将

所有图像扭曲到总体的公共空间。同时，完全避免了手工选择图谱带来的偏差，其中最主

要的就是构造一个估计的图谱来表示总体的公共空间。图谱估计在计算上非常昂贵，因为

它们需要多次迭代成对图像配准。本文以脑部MRI（MagneticResonanceImaging）为研究

对象，利用深度学习方法，进行群配准方法研究，具体内容如下：

（1）本文第三章提出了基于深度学习的图谱构建群配准方法—ACGR-Net，设计新的

配准网络以及平均变形损失函数，使用图谱作为配准桥梁，在保证配准精度的同时，提升

图谱的中心性以及清晰度。ACGR-Net使用图像间的相似性作为损失函数，不需要考虑构

建的图谱与每个单独图像之