用于基于群体的 CNN 图像配准正则化的协作式自编码器

空间变换是多种医学图像分析应用中的促成因素，这些应用需要将图像对齐到通用坐标系。对此类变换的群体分析有望捕捉潜在的影像与形状变化，因此要求这些变换产生解剖学上可行的对应。这通常通过对变形场施加某些基于平滑性的通用正则化来强制实现。另一方面，基于群体的正则化已被证明能在解剖学不知情（即数据无关）方法失效的情况下产生解剖学准确的对应。近来，深度网络已被用于无监督图像配准，这些方法计算更快且保持了最先进方法的精度。然而，这些网络对变形场使用平滑性惩罚，并忽略了变换的群体级统计。我们提出了一种新颖的神经网络架构，它同时学习并利用空间变换的群体级统计来正则化用于无监督图像配准的神经网络。该正则化采用瓶颈自编码器的形式，将变形场的群体级信息编码于低维流形中。所提出的架构产生的变形场以解剖学相关的方式描述群体级特征及相应对应，并且相对于最先进方法在统计上更紧凑，同时保持计算效率。我们在合成数据集以及 2D 和 3D 医学数据上展示了所提架构的有效性。