通过循环动态相关性实现的高效大变形医学图像配准

《IEEE Transactions on Medical Imaging》：Efficient Large-Deformation Medical Image Registration via Recurrent Dynamic Correlation

可变形图像配准中，深度学习方法虽提升效率但大形变仍难处理。本文提出循环相关性框架，通过动态迁移匹配区域提升收敛速度，并采用轻量级循环模块分离运动与纹理特征。实验表明在脑MRI和腹部CT数据集上，该方案计算效率达RDP方法的96%，FLOPs仅9.5%且精度相当。

　　

摘要：

可变形图像配准通过空间变换来估计图像之间的体素级对应关系，在医学成像中发挥着关键作用。尽管深度学习方法显著降低了运行时间，但高效处理大尺度变形仍然是一项具有挑战性的任务。卷积网络能够聚合局部特征，但缺乏对体素对应关系的直接建模，这促使近期研究探索显式的特征匹配方法。其中，体素到区域匹配通过在邻域内计算局部相关特征来更有效地进行直接对应关系建模；而区域到区域匹配则由于大区域之间存在过多的相关对而产生较高的冗余。然而，体素到区域匹配的固有局部性限制了其捕捉大尺度变形所需的长距离对应关系的能力。为了解决这一问题，我们提出了一种基于循环相关性的框架，该框架能够动态地将匹配区域重新定位到更有希望的位置。在每一步中，都以较低的成本进行局部匹配，并利用估计的偏移量来指导下一次搜索区域，从而支持高效地处理大尺度变形。此外，我们使用了一个轻量级的循环更新模块来管理内存容量，并将运动相关特征与纹理特征分离，以减少语义冗余。我们在脑部MRI和腹部CT数据集上进行了广泛的实验，测试了两种情况：有无仿射预配准。实验结果表明，我们的方法在准确性和计算效率之间实现了良好的平衡，性能超过了现有最佳方法。例如，在非仿射OASIS数据集上，我们的方法仅使用了9.5%的FLOPs运算量，运行速度比RDP（一种表现优异的方法）快了96%。