医学图像配准是医学图像分析的重要组成部分之一,针对肺部CT图像的配准算法,有助于从肺部CT图像中发掘肺部组织随呼吸运动变化的规律。近年来,深度学习方法在医学图像领域崭露头角,将深度学习方法应用于肺部CT图像配准是一项非常具有前景的研究。本课题研究基于卷积神经网络的肺部CT图像配准算法,使用卷积神经网络学习稠密光流配准方法的位移场,通过空间变换层对浮动图像进行变换,然后根据变换后的图像与参考图像的损失函数和对位移场的约束,最优化网络参数,提取配准图像对的特征,实现端到端的无监督学习。该方法的优点在于不需要额外的监督信息,有效节省了人力物力。这篇论文首先提出了一种学习位移场的卷积神经网络,该结构由一个提取特征的编码器和一个精确定位的解码器组成,解码部分通过相加操作融合来自编码器的信息。接着,在该结构的基础上,引入注意力机制中的注意力门研究卷积结构在医学图像配准中的作用。注意力门能够抑制图像中无关的区域,突出对特定任务有用的显著特征。实验以网上公开的肺部CT图像配准数据集作为数据集,从准确率、视觉效果、配准速度三个方面评价配准方法。实验证明,这篇论文提出的两种基于卷积神经网络的配准方法准确率高、鲁棒性强,从视觉上看,配准方法能够将同一特征点正确地对应,同时配准一次图像对的运行时间相比传统方法也加快了数百倍。