摘要目的 采用基于无监督深度学习的分步配准策略实现非同机不同轴位心脏MRI和PET图像配准.资料与方法 采用30名受试者的MRI心脏电影成像(CINE)和PET/CT图像分为全局配准和局部配准两步进行配准.全局配准通过MRI定位像与CT图像的平移矩阵以及MRI定位像和CINE图像的坐标变换矩阵,实现CT和PET与CINE图像轴位与层面的对齐;局部配准将CT和PET图像融合,采用无监督深度学习框架实现了CINE和PET图像中心脏区域的精细配准.采用戴斯相似性系数(DSC)和修正的豪斯多夫距离(MHD)评估配准效果,采用Wilcoxon符号秩检验比较本文方法和Elastix的配准效果.结果 基于无监督深度学习和Elastix的配准结果 比较,左心室内膜:DSC:0.81±0.08比0.80±0.08(Z=-1.24,P=0.21);MHD:(4.37±1.77)mm比(4.50±1.75)mm(Z=-0.79,P=0.43).左心室外膜:DSC:0.90±0.03比0.86±0.05(Z=-4.08,P<0.01);MHD:(3.22±1.09)mm比(4.58±1.76)mm(Z=-3.92,P<0.01).右心室外膜:DSC:0.81±0.05比0.78±0.07(Z=-2.15,P=0.03);MHD:(4.36±4.53)mm比(5.05±1.98)mm(Z=-2.08,P=0.04).全心:DSC:0.91±0.03比0.87±0.05(Z=-3.73,P<0.01);MHD:(3.88±1.12)mm比(5.06±2.00)mm(Z=-3.14,P<0.01).结论 分步配准策略可实现心脏非同机不同轴位的多模态图像配准.在局部配准中,基于无监督深度学习的配准结果 显著优于Elastix.