Fourier-Net: バンド制限変形を用いた高速画像レジストレーション

非監督画像レジストレーションでは、一般的にU-Net形式のネットワークを用いてフル解像度空間ドメインでの密集変位場を予測しています。しかし、高解像度ボリューム画像データに対してこのプロセスはリソース集約的で時間のかかるものとなります。この問題に対処するため、我々はFourier-Netを提案します。これはU-Net形式のネットワークにおける拡大パスをパラメータフリーのモデル駆動型デコーダーに置き換えるものです。具体的には、Fourier-Netが空間ドメインでのフル解像度変位場を学習して出力する代わりに、帯域制限されたフーリエドメインでの低次元表現を学習します。この表現は、我々が考案したモデル駆動型デコーダー（ゼロパディング層と逆離散フーリエ変換層から構成）によって、空間ドメインでの密集なフル解像度変位場に復号されます。これらの変更により、非監督Fourier-Netは少ないパラメータ数と計算操作を持つことができ、推論速度が向上します。その後、Fourier-Netは2つの公開3D脳データセット上で様々な最先端手法と比較評価されました。例えば、最近のトランスフォーマーベースの手法であるTransMorphと比較すると、Fourier-Netはその2.2%のパラメータ数と6.66%の乗算加算演算しか使用せず、Diceスコアが0.5%高く、推論速度は11.48倍速いという結果を得ました。コードは \url{https://github.com/xi-jia/Fourier-Net} で入手可能です。