基于GAN的多模态医学图像非刚性配准研究

多模态医学图像配准作为医学图像分析技术中的关键技术,在诸如辅助诊断,手术导航等各类临床应用中发挥着重要作用。基于深度学习的配准方法是近年来的研究热点,但现有这类方法难以克服多模图像灰度差异的不利影响,同时难以精确学习图像中的形变。为此,本文设计了一种基于生成对抗网络的多模态医学图像非刚性配准方法。该方法先利用U-Net网络将多模态图像转换为单模图像,然后利用生成对抗网络学习转换图像的非刚性形变,由此实现多模图像的快速精确配准。在多模态脑部MR数据集BrainWeb上进行非刚性配准实验,实验结果显示:本方法相较于传统多模态配准算法和主流基于深度学习的多模态配准算法在配准精度上具有显著优势。