肺4D-CT通过外部呼吸监测设备,连续采集患者多个呼吸周期的断层扫描数据,并回顾性重建出不同呼吸时刻的肺3D-CT图像。肺4D-CT图像在传统的3D-CT图像基础上增加了时间维,真实地反映了肺部组织随呼吸运动的变化规律,有效减少图像中由呼吸运动带来的伪影,并为放疗计划中肿瘤靶区勾画与跟踪、肺功能评估提供了重要影像学参考。基于肺4D-CT图像的配准广泛应用于图像处理与图像分析研究中,如超分辨率重建、肺通气评估等;同时,肺4D-CT配准为4D放疗计划中解剖结构的自动勾画,放疗剂量的评估以及治疗过程中肿瘤区域的进一步定位追踪提供了有力工具。因此,基于肺4D-CT图像的配准研究具有重要临床应用价值。然而肺部是典型的运动型器官,受呼吸运动、心脏搏动及其他生理运动的影响,肺4D-CT图像呈现局部较大形变;以及受呼吸过程中肺体积舒张、压缩的影响,肺4D-CT图像局部灰度变化不均匀。由于以上两种因素的影响,使得肺4D-CT图像配准是一个挑战性的课题。本文以提高肺4D-CT图像的配准精度为目标,在分析总结当前图像配准算法的相关研究基础上,结合深度学习的框架,进行了以下两种方法的研究:(1)基于迭代小形变级联网络的肺4D-CT图像配准算法。该方法核心思想在于无监督地训练能捕获小形变的级联网络,之后通过迭代小形变级联网络逼近肺4D-CT图像间的最终配准形变场。为了训练小形变级联网络,我们自适应地构建小形变数据集,用于训练的不同相位图像对之间的灰度较为接近、形变较小,这有利于克服局部大形变和灰度不均匀变化对配准带来的不利影响。级联网络采用了分层训练策略,有利于图像间形变的充分捕获,降低训练过程中局部极值的敏感性问题。我们与传统的配准方法、基于多分辨率网络的配准和利用非小形变数据集训练网络的结果进行了对比,实验结果表明,采用迭代小形变级联网络,能有效提升肺4D-CT配准精度。(2)基于分辨率融合网络的肺4D-CT图像配准算法。采用多分辨率策略往往有利于提升图像配准精度,但在我们之前的实验中发现,对于肺4D-CT图像,采用多分辨率网络未能提升配准结果,这可能是因为肺组织内部结构单一,灰度层次少,多分辨率策略对其影响低,且对卷积神经网络而言,低分辨率下网络的深度和降采样都需要相应减少,因此影响了配准结果。为了充分利用不同分辨率下的图像信息,本方法采用一种分辨率融合策略设计配准网络,将不同分辨率(采样率)下的图像特征信息融合至全分辨率下,使得网络训练过程中能有效利用不同分辨率下图像信息,从而提升配准效果。实验结果显示,采用分辨率融合网络,能进一步提升肺4D-CT配准精度。