先天性心脏病约占所有先天性畸形疾病的28%。由于新生儿心脏器官发育不完整,且可能因为心脏组织病变引起器官畸形,导致外科医生在进行心脏修复手术时难以精准定位心脏血管、瓣膜等微小组织。目前最常用的术中影像导航是经食道超声心动图(Transesophageal Echocardiography,TEE)。TEE可以全方位连续扫描心脏结构,成像清晰且不会对人体造成创伤。然而,TEE提供的心脏解剖信息非常有限,且通常需要影像科医生进行解读。高分辨率的计算机断层扫描成像(Computed Tomography,CT)可以快速成像并提供丰富的解剖结构,但是CT设备不易移动,且不能在手术期间进行成像。因此,本文期望通过将术前获取的CT图像与术中获取的TEE图像进行快速精确的配准,融合两种成像模态的解剖结构信息和成像优势,为先天性心脏病的修复手术提供精准的手术导航。噪声会严重干扰医学图像的配准表现,为了提高配准精度,在配准前对医学图像进行了去噪增强的预处理。本文针对医学图像的增强与配准进行了如下的工作:1.提出了一种基于上下文的3D块匹配(Block-matching and 3D filtering,BM3D)图像增强算法。在对目标图像进行相似块匹配时,经典的BM3D算法只能在所处理的目标图像中搜索相似块,而本算法则将搜索相似块的过程扩展到了与目标图像相邻的序列图像中,以期能够利用医学图像序列的空间相似性,更好的保留图像边缘和细节信息,提高去噪性能。为了突出医学图像中的病变组织,该方法在抑制噪声的同时引入了视觉注意模型。本文算法在抑制噪声的同时能够清晰凸显病灶,在视觉效果和指标上都优于经典的BM3D算法,其在一定程度上克服了噪声影响图像配准性能的问题。2.提出了一种基于瓣膜先验信息和增强概率图的大形变心脏CT-TEE图像配准方法。由于CT与TEE模态差异巨大,该算法在CT与TEE上交互式选取感兴趣区域(Regions of interest,ROI),并引入瓣膜位置作为先验信息。根据瓣膜先验信息,实现快速粗配准。同时对选定的ROI进行区域增强并生成增强概率图。基于归一化互信息和Powell优化算法,对增强概率图进行精细配准。为了避免初始值的选取错误导致优化算法陷入局部最优,本算法使用粗配准的变换矩阵作为细配准中Powell优化算法的初始参数。相比相似度寻优算法、尺度不变特征转换算法、加速鲁棒性特征算法,我们的算法取得了较为精准的配准效果。该方法在12个病人的数据集上进行了测试,平均Dice系数为0.91,平均目标配准误差为1.2655 mm。3.提出了一种基于半监督循环一致性对抗网络(Cycle-Consistent Adversarial Networks,CycleGAN)的CT-TEE图像配准方法。为了克服现有配准算法中引入人工交互的不足,同时考虑到心脏CT-TEE配准中图像模态差异过大的问题,本文将半监督CycleGAN网络作为中间媒介,通过训练网络学习出CT-TEE间的映射关系,得到大量的伪TEE和CT图像。将由网络映射得到的伪图像与原始图像进行配准,避免了真实CT-TEE之间灰度、尺寸和形状差异过大带来的配准误差,配准性能得到了明显提升。进一步,考虑到图像的空间和几何结构特性以及医学图像中组织器官的局部结构特点,采用对图像块进行配准并将其最好的块配准效果迁移至全图。该方法在视觉效果和指标上都取得了较好的配准性能,其在12个病人的数据集上进行了测试,平均Dice系数为0.91,平均目标配准误差为1.2086 mm。