医学影像技术的飞速发展,使得医学图像配准已成为医学临床诊断和治疗中不可或缺的部分,通过某种几何变换使同一模态或者不同模态的影像达到空间上的一致,这样就将两幅影像之间的有用信息互补起来,有助于医生对病灶的诊断和治疗,是医学图像处理领域的重要研究课题。胸部、肺部等软组织器官由于不自主的呼吸运动而产生大尺度形变,基于物理模型的弹性配准方法适合大尺度形变的配准,尤其是粘性流体模型,它将待配准图像的配准过程模拟为流体的流动过程,更适合大尺度的形变。但是粘性流体模型对灰度变化比较敏感,而且它的配准过程非常耗时。粘性流体模型是以待配准图像间的灰度差作为相似性测度,对灰度变换比较敏感,容易淹没细节。相似性测度是医学图像配准的关键步骤,它的选取直接影响着配准效果的优劣,本文采用互信息作为相似性测度,很好的避免了灰度敏感的问题,且配准精度高,鲁棒性良好。基于粘性流体的医学图像配准最终被归纳为求解偏微分方程的过程,粘性流体算法使用逐次超松弛迭代法求解偏微分方程,求解过程非常耗时,本文使用预先不需要估计参数的共轭梯度法求解偏微分方程,每次迭代计算主要是向量之间的计算,便于并行运算,存储量小、稳定性高。实验表明,互信息更能突出图像的细节信息,同时共轭梯度法有效降低求解偏微分方程所需的时间,在保持配准精度的同时提高配准效率。医学图像是DICOM序列图像,包含的信息量非常丰富,改进粘性流体算法虽然在一定程度上降低了配准耗时,仍然不能满足临床实时性要求。本文通过对改进粘性流体算法和CUDA平台的研究,利用GPU强大的计算能力和CUDA并行计算架构,提出了一种基于GPU的粘性流体医学图像弹性配准算法。该算法将求解互信息和偏微分方程在CUDA平台下实现,使二维直方图的重复运算和各个运动方向速度场的求解实现并行化。实验表明,此方法不仅不损失配准精度,而且在一定程度上减少配准所需时间,提高配准效率,满足临床诊断的实时性。在以上工作的基础上完成基于GPU的粘性流体医学图像配准系统,整个系统界面友好,医生可以很方便的地得到自己所感兴趣的配准图像,功能简单易用,具有较高的实用价值。