基于残差神经网络的大脑磁共振图像配准

医学影像技术在现代医疗中的作用越来越大,但是不同时间或不同模态下的图像移动不可避免。医学图像配准对于病情诊断和治疗具有重要价值,但是传统配准算法迭代优化时间较长,还容易陷入局部最优。针对大脑核磁共振图像中的运动伪影,本文采用基于残差神经网络的刚性变换配准模型,预测刚性变换参数。模型采用无监督的方法,不需要变换参数作为标签,通过相似性度量作为损失函数约束模型的训练。实验结果表明,对于大脑核磁共振图像配准,模型具有非常好的配准效果,并且配准速度比传统方法有数十倍的提升,对于临床大脑核磁共振图像分析具有重要意义。