循环一致性的无监督可变形图像配准方法

摘要：

针对可变形图像配准中因变形场可逆性被忽略而导致配准精度降低的问题,提出一种变形场循环一致性的无监督可变形图像配准方法.首先,设计了一种基于无监督学习的可变形图像配准框架,它包括学习图像特征的编码-解码器和用于生成采样网格的空间变换网络 2 部分,以指导浮动图像朝着参考图像方向的准确移动,从而完成图像的配准;其次,提出变形场循环一致性的损失函数,以保证配准过程中变形场的一致性;最后,结合雅可比损失函数和L2 范数对变形场进行惩罚,以保证变形场的光滑性,促使网络输出准确、真实的变形场.基于PyTorch框架,使用 2D合成数据集和 2D MR数据集对该网络进行评价.实验结果表明,与几种先进的配准方法相比,该方法在Dice值上提升了 1.77％,在变形场雅可比行列式负值比例上下降了 35.71％,取得了更好的配准效果.

关键词：可变形图像配准、变形场的循环一致性、无监督学习、变形场

所属期刊栏目：35

分类号：TP391.41(计算技术、计算机技术)

资助基金：江苏省重点研发计划;济南市高校20条资助项目;中国科学院科研仪器设备研制项目

在线出版日期：2023-06-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：516-524