医学图像配准技术是医学图像处理领域中的一个非常重要的环节,也是图像精确融合的基础。多模态医学图像配准将不同模态图像之间的信息互补,可以同时给医生提供病灶部位的功能信息和解剖信息,为辅助医生准确诊断疾病提供有力依据。本文主要对基于图像合成的图像配准方法展开系统研究,本文工作主要包括以下几个方面:(1)针对现有基于图像合成的配准算法中合成模型鲁棒性差及合成图像特征信息表示不足导致配准精度不高的问题,提出了基于残差密集相对平均条件生成对抗网络(residual dense-relativistic average conditional generative adversarial network,RD-RaCGAN)的多模态脑部图像配准方法。首先,结合相对平均生成对抗网络中的相对平均鉴别器能够增强模型稳定性以及条件生成对抗网络加入条件变量能提高生成图像质量的优点,利用残差密集块充分提取深层网络特征的能力,构建RD-RaCGAN合成模型。然后,待配准的参考CT(computed tomography)和浮动MR(magnetic resonance)图像通过已训练好的RD-RaCGAN合成模型双向合成对应的参考MR和浮动CT图像。采用区域自适应配准算法,从参考CT和浮动CT图像中选取骨骼信息的关键点,从浮动MR和参考MR图像中选取软组织信息的关键点,通过提取的关键点指导形变场的估计。从浮动CT图像到参考CT图像估计一个形变场。类似地,从浮动MR图像到参考MR图像估计一个形变场。另外,采用分层对称的思想进一步优化两个形变场,当两个形变场之间的差异达到最小时,将两个形变场融合得到最终的形变场,并将形变场作用于浮动图像完成配准。实验结果表明,本文提出的多模态脑部图像配准方法具有很强的鲁棒性,能够稳定、准确地完成图像配准任务。(2)针对基于图像合成的配准方法在处理两个以上的图像域时具有有限的可扩展性和鲁棒性,本文提出基于边缘感知多域对抗网络的医学图像配准方法。首先,将StarGAN v2在单个生成器中加入风格编码能够实现多域图像合成的优点与Sobel边缘检测算子相结合,利用残差密集块充分提取深层网络特征的能力,构建合成模型。在提高多域图像合成效率的基础上,保证了合成图像的结构信息的完整性。然后,待配准的参考CT和浮动MR图像通过已训练好的合成模型合成对应的参考MR和浮动CT图像。最后,采用区域自适应配准算法,从参考CT和浮动CT图像中选取骨骼信息的关键点,从浮动MR和参考MR图像中选取软组织信息的关键点,通过关键点估计形变场,并采用分层对称的思想进一步优化,最终,将形变场作用于浮动图像完成配准。实验结果表明本算法在一定程度上提高了医学图像配准算法在临床医学中的实际应用价值。(3)针对本文提出的两种基于图像合成的图像配准方法,结合PyCharm平台开发了非刚性多模态脑部图像配准系统。系统主要分为无图像合成的配准方法和基于图像合成的配准方法两大模块。将传统方法与本文所提方法进行配准效果对比,验证本文算法的先进性和鲁棒性,同时展示了该系统的稳定性和实用性,可用于辅助医疗诊断。