毋晓萌，刘帅，霍力，赵锡海，尚斐

1.北京理工大学生命学院，生物医学工程系，北京 100081；2.中国医学科学院北京协和医学院，北京协和医院核医学科，北京 100730；3.清华大学医学院，生物医学工程系，生物医学影像研究中心，北京 100084；*通信作者 尚斐 bit552sf@bit.edu.cn

MRI和PET已广泛应用于心脏疾病的检测和诊断[1-3]，其中MRI可以提供心脏高分辨率的结构信息，PET可以实现心肌活性、血流灌注和代谢的定量评估。目前，核医学常用的影像设备为PET/CT，而PET/MRI由于成本较高，无法在各级医疗机构普及[4]。联合MRI和PET/CT成像评估病情时，两种技术得到的图像会因定位不同、呼吸运动和心跳的影响而产生差异。因此，实现非同机MRI和PET多模态图像配准对于准确诊断心脏疾病具有重要意义[5-6]。

传统的配准方法主要包括基于特征的配准和基于灰度相似性的配准[7-8]，相应的工具包Elastix[9]等已广泛应用于医学图像的配准。近年来，深度学习逐渐应用于医学图像配准领域[10]。早期研究主要通过深度学习网络提取图像间的相似性度量，而形变场的求解则在传统配准框架下进行[11-12]，未能充分发挥神经网络在配准中的优势。随后，有研究者采用有监督的神经网络求解形变场，将求解的形变场与真实形变场间的误差作为损失函数进行模型训练[13-14]。鉴于在图像配准中，真实的形变场通常难以获得，Balakrishnan等[15]提出无监督深度学习网络——Voxelmorph。该方法采用图像间的灰度相似性作为损失函数，实现了不同人脑部T1WI图像和标准脑的配准。目前，国内外研究多关注脑部MRI和PET图像的配准[16-17]，鲜有学者研究心脏MRI和PET图像配准。……