脑图谱是进行人脑结构功能信息探索的重要研究工具,其对人脑的一些重要组织功能区定位准确。脑图谱与人脑MRI图像的配准研究对于脑肿瘤和神经外科手术等领域均具有重要研究意义。对两者进行精确配准可以确保手术中重要脑组织结构区从脑图谱准确映射到人脑图像,从而辅助医生进行手术规划。当前脑图谱与人脑图像的配准多采用传统非线性配准方法,配准速度慢且反向一致性较差。当待配准图像的灰度差异或形变差异较大时,配准形变场易在局部体素点处发生折叠,这将破坏形变场的拓扑结构并导致其反向一致性下降。针对以上问题,本文提出了一种基于无监督学习的非线性配准方法用于配准脑图谱与人脑图像。该方法有效解决了当前两者配准存在的配准速度慢和反向一致性较差两个问题,并使用雅可比损失函数对折叠的体素点进行惩罚,从而提高形变场的拓扑保持性和反向一致性。本文的主要工作及创新性成果如下:1.待配准图像的空间及强度正则化处理。前者主要使图像的体素点发生空间位置的变化,体素值不变。后者与之相反,体素值变化而体素点位置恒定。其中空间正则化主要包括图像尺寸和分辨率的统一、配准标记的获得、刚性配准、仿射配准和图像裁剪等。强度正则化主要分为强度值归一化和图像直方图匹配。本文对已有的直方图匹配算法进行改进,通过添加阈值使得算法在缩小待配准图像灰度差异的同时保证背景区域的体素值不变,从而不干预感兴趣区的配准。2.无监督非线性配准算法的构建。算法由encoder-decoder网络模块、速度场集成模块以及网格采样模块组成。encoder-decoder网络模块采用inception模块提取并融合不同尺度的输入图像特征,并使用反卷积学习上采样过程的参数。网络输出为配准的固定速度场,该速度场通过scaling and squaring方法集成得到配准形变场,网格采样模块使用形变场对源图像进行变换得到配准后图像。3.无监督配准算法的训练和测试。训练过程中对配准后图像与目标图像求均方损失,并对速度场求空间梯度和雅可比损失,将三者加权求和的总损失反向传播更新配准网络参数。测试过程中将本文配准算法与两个配准效果较好的算法在几个配准性能指标上进行对比,结果表明本文算法实现了最优的配准性能折中。4.无监督配准算法关键部分性能分析。新型encoder-decoder网络可以显著提高反向一致性,但会导致折叠体素点增多,故本文设计雅可比损失函数减少折叠体素点,并进一步提高反向一致性。此外,配准网络的深度和宽度的小幅增加不能明显提高配准性能。且折叠体素点比例、反向一致性误差以及配准精度均随SS方法积分步数的增大先提高后保持不变,配准时间随积分步数的增大逐渐增加。