基于深度学习的脑图像配准方法研究.pdfVIP

摘要

基于深度学习的医学图像配准方法通过神经网络自动提取脑磁共振图像（magnetic

resonanceimaging，MRI）的特征，因其优越的性能，已广泛受到业界关注。与需要真实形

变场的自监督或监督方法不同，基于深度学习的无监督方法仅需要将图像对输入配准网络

进行处理即可生成形变场，这简化了配准流程，减少了计算资源的消耗。目前基于深度学习

的医学图像配准算法仍面临若干挑战：一是脑MR图像中的大形变和低对比区域的配准；

二是脑MR图像局部细节和内部结构的配准；三是脑肿瘤影像的配准问题。本文针对以上

挑战，设计并实现了基于深度学习的脑MR图像配准模型，主要研究内容如下：

（1）针对脑MR图像中的大形变与低强度对比区域的配准，本文提出了一种以U-Net

网络为基础的深度学习配准模型P-Net。该方法利用预训练的图像分类网络提取形变图像与

固定图像的特征，并计算特征之间的感知损失，促进配准网络对高级特征的学习，有效提升

模型配准大形变和低对比区域的能力。在脑MR数据集LPBA40上的实验结果表明，相较

于使用均方误差和归一化互相关损失函数的方法，基于感知损失的配准模型在性能上有较

高提升。