研究目的：单一模态的医学影像通常不能为医生提供足够的信息,因此需要将不同的模态图像进行配准融合,从而得到更加丰富的信息以便医生了解病变区域的综合信息,做出更好的医学诊断及治疗。由于超声成像本身的声学特点导致相同组织因为深度不同而呈现不同的灰度。这使得术中实时超声与术前MR的可变形配准更加困难。传统的可变形配准方法并不能满足超声与MR配准的要求,近几年,图像结构描述子受到广泛关注,它将图像空间的配准问题转化为描述子空间的配准问题,使得不同模态之间的配准问题转化为单一模态的配准问题。研究方法：本实验以最近提出的一种模态无关的邻域描述子(modality independent neighbourhood descriptor,MIND)和自相似的上下文图像描述子(self-similarity context,SSC)为基础,通过权重关系将两种描述子有机结合,形成新的相似性测度,使用高斯-牛顿优化方法并进行了三维超声与MR可变形配准的实验。实验结果：初步实验结果表明该方法较之单一的一种描述子具有一定的优越性,最终结果仍需进一步进行数据分析实验。结论：本文提出了一种新的图像结构描述子,并将其应用于超声与MR图像的可变形配准中。由于实验尚处于研究之中,一些问题仍待解决,如结合两种描述子之后的维度空间上升导致计算量较大,进一步的实验准备采用Hamming距离,结合多线程技术和GPU计算,最终实现精确、快速的可变形配准。