残差密集相对平均CGAN的脑部图像配准
【摘要】 目的针对图像合成配准算法中鲁棒性差及合成图像特征信息不足导致配准精度不高的问题，提出了基于残差密集相对平均条件生成对抗网络(residualdense-relativisticaverageconditionalgenerativeadversarialnetwork，RD-RaCGAN)的多模态脑部图像配准方法。方法相对平均生成对抗网络中的相对平均鉴别器能够增强模型稳定性，条件生成对抗网络加入条件变量能提高生成数据质量，结合两种网络特点，利用残差密集块充分提取深层网络特征的能力，构建RD-RaCGAN合成模型。然后，待配准的参考CT(computedtomography)和浮动MR(magneticresonance)图像通过已训练好的RD-RaCGAN合成模型双向合成对应的参考MR和浮动CT图像。采用区域自适应配准算法，从参考CT和浮动CT图像中选取骨骼信息的关键点，从浮动MR和参考MR图像中选取软组织信息的关键点，通过提取的关键点指导形变场的估计。从浮动CT图像到参考CT图像估计一个形变场。
