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。