肺4D-CT为肺部疾病的诊断与治疗提供了重要的影像学信息,它在传统的3D-CT图像中添加了时间轴,通过外部设备对人体呼吸的监控,动态地采集病人整个呼吸周期的肺部CT图像。肺4D-CT图像真实地反应肺部组织随呼吸运动的变化规律,有效的减少了图像中由呼吸运动带来的伪影。肺4D-CT图像的配准对于肺组织的运动估计、肺通气、肺部肿瘤的定位以及放射治疗的精确性有着实际意义;同时,肺4D-CT的配准也可用于肺部分割,监控疾病的发展以及判断治疗效果等。但由于肺部器官是典型的运动器官,受呼吸运动以及心脏搏动的干扰,使得采集到的肺部图像形变较大,以及在呼吸过程中,受激发空气的影响,肺部图像密度会发生改变,以上两个因素成为肺4D-CT图像配准中最大的挑战。针对上述问题,本文以提高肺部图像配准精度为目标,研究了两种基于预测的肺4D-CT图像配准算法。其一,我们研究了基于块相似性预测的配准算法。其假设是,图像块之间结构特征相似,则其配准至同一参考图像时,其对应的形变场也应该是相似的。在本算法中我们利用肺4D-CT多相位的特点,首先将不同相位的图像配准至选定的参考图像,获取各自对应的形变场;之后将浮动图像进行分块,针对每一个目标图像块,依据一定的相似性准则在各相位图像上寻找最相似的候选图像块;同时我们定义准则函数以及给定阈值,再次对候选图像块进行筛选组成最终的候选集;利用目标图像块与候选集中图像块的灰度关系求解形变场系数,最后通过非局部均值算法预测出浮动图像的初始形变场,得到中间图像。由预测得到的中间图像与参考图像更为相似,局部形变小于浮动图像与参考图像,因此细化配准难度更低且取得的配准效果更好。实验结果表明,该算法配准精度优于传统的配准算法。其二,本文研究了基于回归预测的图像配准算法。基于块相似性预测配准算法的实验结果表明,为形变较大的浮动图像与参考图像,预测出初始形变场与中间图像以期提高配准精度这一思路是可行的,因此我们进一步研究了基于学习的预测算法。本算法在利用肺4D-CT多相位特点的同时,充分利用了肺部呼吸运动的相似性。我们先将不同相位图像同时配准至参考图像,用己知的图像表观与对应形变场构建训练样本集;之后利用多维支持向量回归机建立图像表观与形变的回归模型;利用学习到的图像表观-形变回归模型,将浮动图像分块输入回归模型中,得到图像块对应的预测形变场,拼接成整幅图像形变场之后进行高斯平滑得到预测的初始形变场及中间图像,再细化配准参考图像与中间图像。我们在肺4D-CT数据上进行了本算法的配准实验,实验结果表明,本算法在视觉与量化上均优于传统的图像配准算法。