宋 枭，朱家明，王 莹

(扬州大学 信息工程学院，江苏 扬州 225000)

0 引言

图像配准是图像处理中的一个重要领域，旨在找寻多幅图像之间最优空间映射，使得2幅或多幅图像的相关像素点唯一对应[1]。医学图像是疾病筛查及诊断的重要依据，不同模态的医学图像反映人体组织或器官的侧重点不同。医学图像配准是医学图像融合的前提，可以有效帮助医护人员进行病灶定位、疗效评估、术前规划和术中导航[2]。

传统的基于互信息和结构特征的医学图像配准目的在于通过长时间的迭代最大化图像强度之间的统计相关性以及最大化基于结构表示的结构度量，不断减小图像映射之间的差异[3]。调整线性变换的相关参数很容易减小线性差异对配准结果的影响，然而非线性的局部形变难以配准，因此需要通过网络充分学习图像之间的映射以解决该问题[4]。Guha等人[5]提出了Voxelmorph配准模型，利用Unet网络学习到的参数直接计算函数获取配准场，大幅缩短了配准时间； Zhao等人[6]提出了级联递归配准模型，将每个子网络的输出作为后一个子网络的输入，渐进生成形变场，有效降低了网络学习的难度；Mahapatra等人[7]提出了基于生成对抗网络(Generative Adversarial Networks,GANs)的形变配准模型，将医学图像的灰度作为概率测度，用概率来表示配准效果，避免了耗时的迭代，直接生成形变场与配准图像。为了提高GANs形变配准能力，本文提出了一种结合GANs、级联网络和Unet的医学图像配准模型，考虑到标准卷积不能提取形变特征，将形变卷积嵌入到Unet的下采样过程中，并在上采样过程中融入形变特征。……