基于癌症的高发病率和高死亡率,癌症的早期筛查和预防诊断尤为关键。PET\CT等呼吸运动伪影设备可以为胸腹部肿瘤诊断提高影像支持,辅助医生进行诊断,但在PET\CT成像过程中,由于扫描速度和采集效率的限制以及人体不自主的呼吸运动会产生呼吸运动伪影,从而降低图像质量,给医生诊断造成麻烦。目前呼吸运动伪影校正依然是一个挑战。为此,本文研究了基于卷积神经网络(Convolutional Neural Network,CNN)的呼吸运动图像配准校正方法用于呼吸运动伪影的校正。本文研究内容主要包括以下两方面。(1)传统的配准技术是通过迭代优化目标函数对两幅或多幅图像进行对齐,但是该类方法运算量大。最近的研究表明,深度学习中的CNN可以应用到图像配准。目前,已有研究提出利用预先定义的配准例子训练配准模型,但是很难获得预定义的配准例子。为此,我们构建了一个无监督(Unsupervised)、可变形(Deformable)的深度学习图像配准框架,该配准框架主要由3D CNN,空间变换网络(Spatial Transformer Networks,STN)等组成,其可以把一幅图像的像素点扭曲变换到另一幅图像的对应位置,从而实现可变形配准。(2)本文分别在PET/CT 3D仿真几何体模数据和PET/CT 3D仿真像素体模数据上实验了两种伪影校正方法,第一种是利用配准模型直接对有伪影的图像进行校正;第二种是利用配准模型对不同的时相帧进行配准,再对配准后的时相帧进行融合。本文伪影配准方法分别在仿真的PET/CT 3D几何体模数据和PET/CT 3D像素体模数据上取得82.12%、83.76%的dice值,在运行效率上,配准一例数据分别花费5±0.5s、11±0.5s。实验结果表明了本文伪影配准校正方法的有效性和即时性。