医学图像配准旨在寻找某种空间变换使得两幅医学图像建立解剖对应关系,医学图像配准在病灶定位、疾病诊断、手术导航、放射治疗等领域发挥着极其重要的作用,实现高精度、高效率的医学配准对于临床诊断和治疗具有重要的应用意义。传统的医学图像配准方法配准速度慢、精度低,无法满足临床实时配准的高要求,随着医学影像设备的不断进步和计算设备的性能不断提升,基于深度神经网络的图像配准成为大家广泛研究的对象。近年来基于深度学习的图像配准方法大抵分为两类:一类是基于图像相似度度量的配准方法,另一类是直接运用深度回归网络预测变形场的配准方法。基于图像相似度度量的配准方法由于迭代的参数估计,导致配准速度缓慢,特别是在可变形配准的情况下,难以实现有效的配准,因此利用深度学习网络直接预测变形场的配准方法成为研究的热点,其在精度和速度方面具有较优秀的表现。遵循这种配准模式,本文在U-Net上进行改进创新,提出了以下图像配准方法。本文提出了一种基于迭代N-Net和双重损失约束的无监督的图像配准方法。该方法首先基于U-Net网络结构进行改进,得到了N型基础配准网络N-Net,为了获得更高的配准精度,配准过程被分为粗配准和精配准两步,通过迭代地使用所提出的N-Net配准网络来实现。迭代过程使用了权重共享,在不增加参数数量的情况下,实现网络层次的加深。同时本文引入了双重损失约束的损失函数,分别计算粗配准结果和精配准结果的图像相似度损失,以更好地约束回归网络进行变换参数学习。本文提出了一种基于特征切片重加权和多尺度损失约束的无监督的图像配准方法,对于跳跃连接所传输的特征图,本文首先对每个通道的特征图都进行了“切片”处理,然后通过压缩这些特征切片的信息和学习特征切片之间的相互依赖关系,来获取到每个特征切片的重要性系数,最后,依照这个重要性系数对所有的特征切片进行重新加权。特征切片的重加权提升了对变形场估计有用的特征并抑制用处不大的特征,使得具有更多意义的切片特征得到更有效地利用。同时,在该方法中还引入了多尺度损失约束,我们对配准网络中间层所获取的变形场进行输出,并在对应分辨率的浮动图像上进行空间变换,所得到的中间层配准图像的相似性损失计入损失函数。这实现了多尺度损失约束,促进回归网络更好地优化。本文在四个3D人脑MR图像数据集上进行了大量的实验与分析,证明了所提出的方法在医学图像配准问题中的有效性。通过对前两种方法进行改进和融合,本文提出了基于迭代学习的W-Net图像配准方法。我们对基于特征切片重加权的配准网络进行网络层优化,通过去除池化层和增加下采样等操作,构造了一个V型的基础配准网络。为了获得更高精度的配准结果,本文沿用了基于迭代的N-Net配准方法的渐进式配准模式,将第一个V型网络得到的配准图像作为第二个V型网络的输入,这就构建了一个W型的网络(W-Net)。该网络的图像相似性损失由两个V型网络输出图像相似性损失共同组成,实现了双重损失约束。本文通过在3D人脑MR图像数据集上进行的可视化和定量分析,证明了算法的优越性能。