基于互注意力的递归可变形图像配准网络

可变形图像配准通过估计不同图像之间的空间变换，在医学影像领域中是一项关键任务。以往许多研究采用基于学习的多阶段配准方法进行三维图像配准，以提升性能。然而，多阶段方法的性能受限于感受野的大小，难以在单一空间尺度上有效处理复杂的运动变化。为此，本文提出一种新型配准网络，结合递归网络结构与互注意力机制，以克服上述局限性。与当前最先进的深度学习方法相比，所提出的基于递归结构的网络在肺部计算机断层扫描（CT）数据集上取得了最高精度，肺部分割的Dice评分为92%，平均表面距离为3.8mm；在包含9个不同大小器官的腹部CT数据集上也取得了最为精确的结果之一，Dice评分为55%，平均表面距离为7.8mm。此外，实验表明，仅需引入3个递归网络模块即可达到当前最优性能，且推理时间未出现显著增加。