简介:摘要目的为了解决UNet框架上采样过程中信息丢失的问题,本文采用青少年脑部MRI研究网络学习能力弱和脑部边缘区域配准精度不高的问题。材料与方法本文采用公开可用的脑部MRI数据集:HBN和LPBA40,提出了一种结合多尺度注意力机制的生成对抗网络(multiscale attention mechanisms generative adversarial networks, MAM_GAN)配准模型,实现了单模态脑图像配准。该方法由配准网络和鉴别网络组成。通过在鉴别网络中添加多尺度注意力机制(multiscale attention mechanisms, MAM)模块获取不同尺度下的上下文信息,在对抗训练过程中提取到更有效的大脑结构特征。其次,在配准网络中引入了图像相似性的局部互相关损失函数,约束移动图像与固定图像之间的相似性,在两个网络的对抗训练过程中进一步提高图像配准的性能。本文使用Dice系数(Dice coefficient, Dice)、结构相似度(structural similarity, SSIM)和皮尔森相关系数(Pearson's correlation coefficient, PCC)衡量配准图像与固定图像的配准精度。结果MAM_GAN方法在Dice指标上相对于传统的方法,脑脊液(cerebrospinal fluid, CSF)、脑灰质(gray matter, GM)和脑白质(white matter, WM)精度分别提高了0.013、0.023和0.028,PCC指标提高了0.004,SSIM指标提高了0.011。由此可见,该方法配准效果好。结论MAM_GAN方法能够更好地学习到脑部结构特征,提升了配准的性能,为青少年多动症临床诊断和体质检测提供技术基础。