CTCF：一种用于无监督可变形医学图像配准的三级粗到细级联方法 作者：Daniil Pasenko 和 Roman Davydov

《Machine Learning and Knowledge Extraction》：CTCF: A Three-Level Coarse-to-Fine Cascade for Unsupervised Deformable Medical Image Registration Daniil Pasenko and Roman Davydov

　　

摘要

可变形医学图像配准旨在将不同体积扫描中的解剖结构在空间上进行对齐。最近基于Transformer的方法实现了较高的重叠精度，但往往会产生具有拓扑违规的变形场。我们提出了CTCF（Cascade Transformer for Coarse-to-Fine Registration），它在一个核心配准模块周围包裹了一个轻量级的粗略和精细处理层。第1层以四分之一的分辨率提供粗略的位移估计，第2层通过Swin Transformer编码器、可变形的交叉注意力机制和学习的超分辨率解码器来执行主要配准，第3层则以一半的分辨率应用基于误差驱动的流式细化处理。这两个外部层仅增加了3.0%的参数开销，但在保持与外部基线相当的变形规则性的同时提高了配准精度。该模型采用端到端训练方法，结合了局部标准化互相关、扩散正则化、逆一致性以及基于雅可比矩阵的拓扑保持机制来构建损失函数。在OASIS脑部MRI基准测试中，CTCF在所有比较的无监督方法中获得了最高的Dice分数0.8208，并且在Wilcoxon符号秩检验下，其SDlogJ指标也具有统计学意义上的显著提升（）。在IXI测试中，CTCF也在Dice分数、HD95、SDlogJ和折叠百分比等方面表现最佳。通过五轮消融研究验证了各个组件的作用：级联分解能够分离出每一层的贡献，而分辨率缩放实验则证实了该框架的可扩展性，进一步提高了精度，且无需增加任何参数开销。