郭艳芬，崔 喆，杨智鹏，彭 静，胡金蓉

1.中国科学院 成都计算机应用研究所，成都 610041

2.中国科学院大学，北京 100049

3.成都信息工程大学 计算机学院，成都 610225

随着医学成像设备的发展，对患者的图像可以采集到含有准确的解剖信息如计算机断层扫描成像（Computed Tomography，CT）、磁共振成像（Magnetic Resonance Imaging，MRI），也可以采集具有功能信息的图像，如正电子发射计算机扫描（Positron Emission Tomography，PET）、单光子发射计算机断层成像（Single Photon Emission Computed Tomography，SPECT）。如何将多模态的信息准确地融合到同一图像中，帮助医生从各个角度观察病灶和结构，这对于病灶检测、临床诊断、手术规划、手术导航、疗效评估等有着广泛的应用价值[1-4]。图像配准的作用是比较或融合同一对象的多模态影像，寻找最优空间变换，使两幅医学影像的对应点在给定相似性度量下实现空间位置和解剖信息一致[5]，从而得到信息融合后的医学影像。

基于深度学习的医学图像配准方法相较于传统机器学习的配准方法，具有很大的优势与潜力，近几年来有越来越多的研究人员开展此项工作，且有不少相关的工作发表。目前基于深度学习进行医学图像配准的方法主要分为三类[6-7]：（1）结合传统配准方法的深度迭代配准。其基本思想是在传统配准方法中嵌入神经网络来提取特征或者学习相似性测度，不断迭代优化目标函数。（2）监督或弱监督学习。在训练学习网络时，需要提供训练样本所需要的相应标签，即真实形变场（Ground Truth），然后利用预测的形变场对移动图像（Moving Image）进行插值，得到配准图像。……