医学图像在临床诊断中起着重要作用,通过对病人使用不同的设备扫描采集,可以得到MR、CT和PET等模态的图像。医生可以使用这些医学图像对病人的病情做出判断并实施确切的治疗手段。计算机辅助诊断系统旨在利用计算机设备对医学图像做出精准解释以辅助医生进行医疗诊断,辅助医疗领域的一个重点研究方向是医学图像配准。医学图像配准是将不同时刻或不同设备拍摄的同一部位的两张图像进行对齐。可变形医学图像配准要求两张图像中的像素一一对应,需要得到一个稠密的位移场。传统图像配准方法往往是一个迭代优化的过程,通过最大化一个预先定义的相似性指标来得到配准参数,一般可以达到令人满意的结果。传统方法的缺陷在于需要不同的配准过程之间不存在关联性,每组数据都需要进行一次寻优过程,时间损耗严重。深度学习配准算法使用大量数据训练,得到的模型可以通过一次推理得到配准结果。然而,当待配准图像间具有较大的差异时,现有算法的稳定性会受到很大的影响。为了解决大形变配准问题,本文的主要工作如下:1.提出基于非对称编码器和累积增强的深度学习配准算法,该方法将传统迭代思想与深度神经网络相结合,在紧密的网络结构中设计了三个配准步骤,将困难的大形变配准分解为逐步求解由粗到细的三个分辨率的形变场,进行累积求和。并对经典深度学习配准算法Voxel Morph中使用的U型网络做出改进,将移动图像和固定图像的编码路径解耦,使用非对称的形式,在移动图像的编码模块中添加空洞空间卷积池化金字塔模块,获取更大的感受野,并保持固定图像的编码器不变,以捕获图像之间更远距离的依赖。同时针对常用的配准指导损失做出改进,提出简单而有效的多窗口归一化互相关损失,减小了网络陷入局部最小化的几率。2.提出使用结构先验和全局语义关系的深度学习配准算法,该方法从大脑数据切入,通过预先使用Sobel滤波和水平集方法对脑图像进行结构信息提取,作为先验知识指导网络挖掘丰富的结构信息。使网络倾向于对齐全局的结构特征,解决了灰度损失固有的局部最优问题。并引入CBAM模块增强网络对结构知识的学习。最后再提出使用Vision Transformer用于在网络的深层全局特征中建立语义依赖关系,以此达到解决大形变配准的目的。在五个医学图像数据集上的实验表明,该方法取得了极具竞争力的结果。