目的:图像配准是医学图像分析中的基本任务。传统的图像配准任务尤其是非刚性配准算法,需要较高的计算成本以及较长的执行时间。但是随着计算机技术的发展以及深度学习的复兴,卷积神经网络在处理图像分类、目标检测等任务中表现出了出色的效果,同时还具有处理图像配准任务的能力。本文采用基于卷积神经网络的无监督配准模型一步得到变换后图像,有效减少一对显微切片图像的配准时间。同时,针对许多研究中人们将包含组织学伪影的数据直接丢弃造成数据信息丢失的情况,本文对包含裂缝区域的图像进行处理,处理之后的图像可以用于后续配准等任务中。研究方法:本文实验方法主要包括三个部分:首先是对图像进行归一化、仿射对齐以及数据封装的预处理;其次对包含裂缝区域的图像进行高斯滤波、二值化、目标区域提取以及目标合并来减小裂缝区域;最后本文采用卷积神经网络对空间变形场进行建模,输入的图像对经过包含跳跃连接的编码解码器结构得到空间变形场,然后浮动图像通过空间变换函数插值得到配准后图像。该过程不需要人为的标注数据。结果:1.对于配准结果,分别与基于ITK工具包开发的SimpleITK和PyElastix进行了对比。还与基于VGG16网络的配准结果进行了对比。还对本文所采用方法的配准结果进行了三维效果展示。同时,对配准结果定量计算了互信息值和余弦相似度,其中本文所用方法数值增幅最大。还给出了配准一对图像所需时间的对比结果,结果显示出本文所使用方法所需时间最短。2.处理了E14B组141张图像中的20张、E14C组75张图像中的7张包含裂缝区域的图像,保留该部分数据中包含的信息。结论:本文所采用的基于卷积神经网络的配准模型,相较于ITK工具包以及基于VGG16的配准模型表现出了其优越性。同时对于包含裂缝区域图像的良好处理可以使该部分数据继续用于后续实验。