肌肉骨骼系统疾病的发病率正随着社会老龄化的加剧逐年上升,其发病机理复杂、疾病种类繁多,严重影响着中老年人的身心健康及日常生活。肌骨超声(musculoskeletal ultrasound,MSKUS)是目前辅助诊断肌肉骨骼系统疾病的重要手段,肌骨超声全景图像可弥补传统超声图像视野狭小的缺点,全面清晰地显示肌肉、关节等部位的体层解剖图像,有助于疾病的诊断和治疗。然而,超声图像存在散斑噪声、对比度低、伪影多等固有缺陷,以致超声图像特征难以提取。而特征检测正是肌骨超声图像拼接的关键,故如何提高肌骨超声图像特征检测的有效性及重复性具有较大的研究价值。因此,本文分别研究了基于FAST和SIFT结合的特征检测算法以及基于改进的MagicPoint和CycleGAN结合的特征检测算法。基于FAST和SIFT结合的特征检测算法(FAST-SIFT)用FAST算法检测特征点,确定特征点的坐标位置,用SIFT描述子对检测出的特征点进行描述,得到特征点及其对应的特征点描述子。然后利用最近邻与次近邻距离比值法、随机抽样一致性算法完成特征匹配,求解图像间的形变矩阵。进而根据这一几何变换关系将多幅图像映射于同一坐标系下,运用基于最大流最小割的接缝查找法、多频段融合方法实现图像拼接,得到较宽视野的肌骨超声全景图像。实验结果表明,与SIFT、SURF、ORB算法相比,FAST-SIFT算法所提取的特征点分布均匀,可检测到大部分肌纤维的端点,且匹配正确率最高。其互信息和归一化互相关系数均值均高于其他三种特征检测算法,表明其图像配准精度更高。且FAST-SIFT算法的图像拼接效果更好,没有明显的解剖结构错位、断裂、拼接不连贯等现象,过渡自然平滑,视觉误差小。基于改进的MagicPoint和CycleGAN结合的特征检测算法首先利用CycleGAN网络进行风格迁移,将合成数据集中的线形合成图像从虚拟图像域转换到肌骨超声图像域,赋予合成图像一定的超声图像特征。然后增加MagicPoint网络前端编码器的卷积层数,对MagicPoint的网络结构进行改进,使用微调后的合成数据集训练改进的网络模型,促使模型能更好的应用于肌骨超声图像的特征检测中,提取出重复率高、有效性好的特征点。实验结果表明,在所有改进的网络模型中,具有9个卷积层并运用CycleGAN进行数据增强的MagicPoint网络模型所取得的特征检测性能更好,能检测到更多肌纤维的端点,分布范围更广,且优于传统的ORB算法。但与FAST、SIFT算法相比,该模型的特征点重复率仍较低,其虽未有显著的优势,但也存在一定的竞争力,在网络架构方面还有很大的改进空间。