图像配准是医学图像分析中的关键问题。图像配准可以用来建立不同图像（例如不同样本的图像,或同一样本不同时间点的图像）之间的空间对应关系,以完成图像的横向（不同个体）和纵向（不同时间点）比较分析。传统方法将图像配准看待为一个优化问题,其目标是得到稠密的形变场,使得经过形变后的浮动图像和目标图像的相似度达到最大化。为了得到合理的形变场,常常在优化中引入对形变场的平滑约束（例如形变场梯度的L1或者L2范数）。近期,基于深度学习的配准算法因为其在运算效率方面的优势,获得了极大的关注。在实际的临床应用中,图像配准任务是极具挑战的,比如具有较大形变的同模态图像配准,以及手术导航中跨模态配准等任务。现有的配准方法（包括基于传统迭代优化和基于深度学习）往往不能直接应用便得到令人满意的结果。虽然可以考虑针对不同任务对图像之间的相似性测度、形变场的约束项、优化方式等加以改进,但是在面对复杂生理解剖结构、不同图像模态、信息不匹配及含噪声图像、结构和表观差异大等图像配准问题时,现有算法的性能仍然是非常有限的。针对以上挑战,本文提出了基于生成模型的配准方法,通过生成图像或者形变场来简化配准的难度,解决了临床复杂数据在配准中精度和鲁棒性下降的问题。本文提及的生成模型特指图像域和形变场域的生成模型。按照获得生成模型的难易程度,本文先在图像域中,探索使用生成模型完成了形态结构简化、跨模态转换、图像修复等任务;更进一步,本文在形变场域中探索使用生成模型直接从输入的不同图像中映射出其背后的形变场。具体的研究内容如下:1.本文提出了拓扑简化生成模型用以简化复杂结构的配准问题。结构复杂的待配准图像之间,往往很难找到具有空间对应的结构。为了解决这个挑战,本文提出了使用生成模型实现对复杂结构的拓扑简化。这里的简化是指对复杂的结构表面进行平滑,得到一系列结构简化程度不同的图像。这样,在完成配准时候可以通过这一系列的结构简化的图像来构建浮动图像到目标图像的连接桥梁。本文在五个成人大脑MR图像的公开数据集上对所提出方法进行了验证,与传统配准方法相比,在大脑内外皮层的配准精度上有显著的提升。2.本文提出了跨模态生成模型用以提高不同模态图像的配准精度。因为难以找到合适的相似性度量,不同模态的图像配准精度和鲁棒性都有待进一步提高。虽然已经有包括互信息、互相关系数在内的多种不同模态图像相似性测度被提出,但是在实际应用过程中,仍然有不少失效的情况。究其原因,是不同模态之间相似性关系的复杂性。考虑全局信息或局部信息的度量方式难以鲁棒统一地衡量不同模态图像之间的关联度。相反,在同模态图像的相似性测度中,因为图像之间的匹配度相对直观,很多测度（均方误差等）的有效性已经得到验证。考虑到以上问题和事实,本文提出跨模态图像生成模型来完成从源模态图像到目标模态图像的预测合成,使得不同模态图像配准问题简化为同模态图像配准问题。本文提出的基于跨模态生成模型的配准方法,可以较现有算法得到更鲁棒和准确的配准结果。3.本文提出了图像修复生成模型用以提高信息不匹配图像之间的配准精度。信息不匹配图像之间的配准在手术导航中经常遇到:因为有手术器械或者植入假体的存在,使得术中术前图像之间的信息不匹配。因不匹配区域的大小而异,配准精度会在全局或者局部受到影响。考虑到此问题,本文提出了通过对图像修复生成模型自动地生成信息匹配的图像,进而可以通过现有的配准方法基于生成后的图像进行配准。本文提出的基于图像修复生成模型的配准方法较现有的配准方法可以显著地提高在关键区域的配准精度。4.本文提出了形变场生成模型来完成结构复杂性大和差异大的图像配准。结构复杂性大和差异性大的图像配准涉及到了相对复杂和较大的形变场估计的问题。现有算法在处理这样的配准问题往往会因为优化的形变场过于复杂而难以得到准确的结果。考虑到该局限性,本文提出了形变场生成模型用以完成结构复杂性大和差异性大的图像配准。本文提出的基于形变场生成模型的配准方法在配准的精度和形变场的平滑度上都较现有配准方法有显著的提升。本文从直观的图像域的生成模型到形变场域的生成模型进行了论述,并在图像域提出了三个生成模型,分别完成了图像的拓扑简化,跨模态的合成,以及图像的修复;在形变场域,提出了形变场生成模型,完成了从图像到形变场的直接估计。本文最后总结了生成模型在医学图像配准中的价值和潜力,并对目前工作的局限性展开了讨论,最后提出了对于今后工作的设想。