摘要
在过去十年中，卷积神经网络（ConvNets）在多种医学影像应用中占据主导地位，并取得了当前最优的性能表现。然而，ConvNets的性能仍受限于对图像中长程空间关系的理解不足。近期提出的视觉Transformer（Vision Transformer, ViT）采用纯自注意力机制模型，能够有效学习长程空间依赖关系，从而聚焦于图像中的关键区域。然而，由于连续的下采样操作，ViT更强调低分辨率特征，导致细节定位信息的缺失，因而不适用于图像配准任务。为解决这一问题，近期已有若干基于ViT的图像分割方法结合卷积神经网络，以增强对细节定位信息的恢复能力。受此启发，本文提出ViT-V-Net，该模型融合ViT与ConvNet的优势，实现三维医学图像的配准。实验结果表明，所提出的架构在性能上显著优于多种当前领先的配准方法。