周 勤，王远军

（上海理工大学 医疗器械与食品学院，上海 200093）

图像配准是基于图像相似性度量标准，寻求将一幅或多幅图像映射到目标图像上的空间变换，使得参考图像和目标图像达到空间上的对应关系。通常情况下，需要映射变换的图像称为浮动图像，在配准过程中保持不变的图像称为固定图像或者参考图像。当从不同时间、不同角度或使用不同传感器分析获得的图像时，需要进行配准[1]。医学图像配准在临床上有很多应用，如图像引导、图像融合、肿瘤生长监测等。

在深度学习技术兴起之前，已经有很多传统的配准方法，但深度学习的出现极大地影响图像配准研究的热点[2]。自从AlexNet在2012年ImageNet挑战赛[3]中获得成功以来，深度学习使许多计算机视觉任务的最新性能得以实现，例如：目标检测、特征提取、分割、图像分类、图像去噪和图像重建。最初，深度学习技术主要用于增强迭代、基于强度的医学图像配准，但配准速度较慢，对快速配准算法的需求推动基于端到端深度学习的监督配准方法的发展。由于监督学习获取真实形变场比较困难，促使许多学者开发用于端到端的无监督配准框架。目前，无监督配准框架中的最大挑战是图像相似性量化，近来基于信息论的相似性度量、弱监督框架和生成对抗性网络（generative adversarial networks，GAN）框架等的研究都是用来解决图像相似性量化的策略[4]。

本文根据使用的深度学习技术进行分类，总结常用的医学图像配准框架及评价指标、常用的数据集和开源工具，分析深度学习技术在医学图像领域中存在的问题，并进行展望。……