TransMorph : Transformer pour l’alignement non supervisé d’images médicales

Au cours de la dernière décennie, les réseaux de neurones convolutifs (ConvNets) ont constitué un axe majeur de recherche en analyse d’images médicales. Toutefois, les performances des ConvNets peuvent être limitées par un manque de prise en compte explicite des relations spatiales à longue portée présentes dans une image. Récemment, des architectures Vision Transformer ont été proposées afin de pallier les limites des ConvNets, remportant des résultats de pointe dans de nombreuses applications d’imagerie médicale. Les Transformers apparaissent comme une candidate prometteuse pour l’alignement d’images, en raison de leur champ réceptif considérablement plus étendu, qui permet une compréhension plus précise de la correspondance spatiale entre les images mobiles et fixes. Dans cet article, nous présentons TransMorph, un modèle hybride basé sur les Transformers et les ConvNets pour l’alignement d’images médicales volumétriques. Ce travail introduit également des variantes diffeomorphes et bayésiennes de TransMorph : les variantes diffeomorphes garantissent des déformations préservant la topologie, tandis que la variante bayésienne fournit une estimation bien calibrée de l’incertitude associée à l’alignement. Nous avons validé de manière exhaustive les modèles proposés à l’aide d’images médicales 3D issues de trois applications : l’alignement inter-patients et l’alignement atlas-patient en imagerie cérébrale par IRM, ainsi que l’alignement phantom-CT. Les modèles proposés ont été évalués en comparaison avec diverses méthodes d’alignement existantes ainsi qu’avec différentes architectures Transformer. Les résultats qualitatifs et quantitatifs démontrent que le modèle basé sur les Transformers proposé permet une amélioration significative des performances par rapport aux méthodes de référence, confirmant ainsi l’efficacité des Transformers pour l’alignement d’images médicales.