UTSRMorph:一个统一的变压器和超分辨率网络,用于无监督的医疗图像注册

科学领域:

• 医学图像分析 医学图像分析
• 深度学习 (Deep Learning) 是一种深度学习.
• 计算机视觉 计算机视觉

背景情况:

• 医疗图像注册至关重要但具有挑战性.
• 现有的深度学习方法 (ConvNets,Transformers) 在捕获本地和全球依赖性方面存在局限性.
• 无监督学习为减少对标记数据的依赖提供了一个替代方案.

研究的目的:

• 为医疗图像注册提出一种新的无监督深度学习方法.
• 增强特征表示学习并生成详细的位移字段.
• 克服现有的ConvNet和基于变压器的注册方法的局限性.

主要方法:

• 开发了UTSRMorph网络,集成了变压器和ConvNet架构.
• 引入了融合注意力阻断,将通道注意力和多头自我注意力结合起来.
• 使用重叠的注意力块进行交叉注意力和解码器中的超分辨率模块.

主要成果:

• 与最先进的方法相比,UTSRMorph在3D大脑MR和MR-CT数据集上表现出更高的性能.
• 定性和定量评估证实了拟议方法的有效性.
• 该网络成功地增强了特征学习,并生成了详细的位移字段.

结论:

• UTSRMorph为无监督医疗图像注册提供了一种强大的新方法.
• 融合的注意力和重叠的注意力阻断有效地捕捉了多层次的依赖关系.
• 超分辨率解码器提高了生成高分辨率变形场的效果.