要約
私たちは3次元医療画像登録のためのエンドツーエンドの深層学習フレームワークを紹介します。既存の手法とは異なり、当フレームワークはアフィン登録とベクトルモメンタムパラメータ化された定常速度場（vSVF）モデルという2つの登録方法を組み合わせています。具体的には、このフレームワークは3つの段階で構成されています。第1段階では、マルチステップアフィンネットワークがアフィン変換パラメータを予測します。第2段階では、Unetのようなネットワークを使用してモメンタムを生成し、これにより平滑化を通じて速度場が計算されます。最後に、第3段階では、現在の変換マップの推定に基づいて非パラメトリックな微調整を行う自己反復マップベースのvSVFコンポーネントを利用します。モデルが訓練されると、1回の前向き伝播で登録が完了します。性能評価のために、骨関節炎イニシアティブ（OAI）データセットの膝部3次元磁気共鳴画像（MRI）について縦断的および被験者間実験を行いました。結果は、当フレームワークが最先端の医療画像登録手法と同等の性能を達成していることを示していますが、より高速であり、変換の一貫性制御も優れており、ほぼ対称的な変換を生成する能力やアフィンおよび非パラメトリック登録を組み合わせる点でも優れています。