TransMatch:一个基于变压器的多层双流特征匹配网络,用于无监督可变形图像注册

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 功能匹配对于图像注册至关重要,但传统方法缓慢且特定于应用程序.
• 基于学习的方法,如VoxelMorph和TransMorph显示有希望,但使用隐式特征匹配.
• 现有的单流深度学习模型连接图像,限制了明确的图像间特征关系理解.

研究的目的:

• 推出TransMatch,一个新的端到端双流无监督框架,用于可变形的医疗图像注册.
• 为了使显式的多层次功能匹配图像对使用变压器的自我注意力.
• 为了实现可变形图像注册的最先进性能.

主要方法:

• 提出了一个双流架构,每个输入图像都独立处理.
• 实现了明确的多级特征匹配,使用来自变压器自我注意的查询密钥机制.
• 在三个3D脑MRI数据集进行实验:LPBA40,IXI和OASIS.

主要成果:

• 在多个评估指标上,TransMatch 实现了最先进的性能.
• 该方法在与已建立的注册技术 (SyN,NiftyReg,Voxelmorph等) 相比显示出更优异的结果. ) 的情况.
• 具有明确特征匹配的双流方法在3D大脑MRI图像注册中被证明是有效的.

结论:

• 拟议的TransMatch框架在无监督可变形医疗图像注册方面取得了重大进展.
• 通过变压器自我注意的明确特征匹配可以提高注册的准确性和稳定性.
• TransMatch为现有的注册方法提供了一个具有竞争力和有效的替代方案.