王金泽

（华北电力大学控制与计算机工程学院，北京，102206）

0 引言

传统的医学影像科室已经无法满足患者的诊疗需求，基于医学影像的病理分析、病灶的诊断是一个需要大量的阅片经验支持的工作，由于不同医生对于影像理解存在主观差异性，并且缺乏定量的分析，导致在诊断时存在一定偏差。医学图像配准是数字医学图像智能分析处理的重要环节，指将两幅或多幅图像的相同解剖结构、区域进行变换，使之达到空间上的匹配，建立解剖结构一致性，为精确的图像信息获取以及深入的量化研究提供保障。基于深度学习的医学图像配准凭借其参数共享，效率高等优点成为了近年来的研究热点。Guha等人提出配准框架VoxelMorph[1]，实现了体素到体素的无监督配准。Mok[2]等人受到传统配准方法SyN[3]的启发，提出一种对称微分同胚图像配准网络SYM-Net，该网络考虑参考图像与浮动图像之间的逆映射，保证了图像的拓扑保持性与变换可逆性。

然而，基于深度学习的医学图像配准存在局部形变配准效果差、鲁棒性差、抗噪声能力弱等缺陷，通过分析发现造成此现象的原因是由于训练样本不均衡所导致。针对这个问题，本文参考目标检测领域的样本均衡机制，以图像的局部方差作为样本难易程度的评价指标，对无监督配准模型中的损失函数进行改进，以体素块为单位对困难样本施加权重，加强对于局部形变的学习能力，从而提升深度学习配准模型的精度。……