摘要：医学图像配准技术是近年来医学图像处理领域中的关键技术之一,具有很高的临床和实践意义。由于人体内部软体组织形态的多变性,采集到的医学图像往往同时存在刚性形变和非刚性形变,传统的图像配准技术,如经典的基于B样条方法在对这类同时存在两种形变的图像进行配准时,如果存在较大的仿射变换,容易造成局部极值问题导致配准失败。针对这一问题,提出一种结合深度学习与SIFT(Scale-invariant feature transform,尺度不变特征转换)的多尺度B样条配准方法。首先用SIFT对图像进行仿射变换,然后B样条进行局部形变校正,同时引入多分辨率策略,降低计算的复杂度,提高精度。最后利用超像素重建方法,消除低尺度配准时造成的图像失真问题。实验结果表明,本文算法针对同时存在2种形变的图像,解决传统B样条算法配准失败的问题,在NMI(互信息)与SSIM(结构相似性)评价下相对传统B样条算法配准性能得到大幅度提升。