MambaMorph：基于Mamba的医学MR-CT可变形配准框架

在医学图像分析中，捕捉不同模态之间的体素级空间对应关系至关重要。然而，当前的配准方法在配准精度和临床适用性方面仍不够实用。本文介绍了一种新的多模态可变形配准框架——MambaMorph。具体而言，MambaMorph利用基于Mamba的配准模块和一个细粒度但简单的特征提取器，分别实现高效的长距离对应建模和高维特征学习。此外，我们开发了一个注释良好的脑部MR-CT配准数据集SR-Reg，以解决多模态配准中数据稀缺的问题。为了验证MambaMorph的多模态配准能力，我们在SR-Reg数据集和一个公开的T1-T2数据集上进行了定量实验。实验结果表明，MambaMorph在配准精度方面显著优于现有的基于学习的配准方法。进一步的研究强调了基于Mamba的配准模块和轻量级特征提取器的高效性，它们在保持合理的计算成本和速度的同时实现了显著的配准质量。我们认为，MambaMorph在医学图像配准的实际应用中具有重要的潜力。MambaMorph的代码可在以下地址获取：https://github.com/Guo-Stone/MambaMorph。