一种保持不连续性的深度图像配准网络

图像配准旨在建立图像对或图像组之间的空间对应关系，是医学图像计算与计算机辅助干预的基石。当前，大多数基于深度学习的配准方法假设所求形变场全局光滑且连续，但这在真实场景中并非总是成立，尤其在医学图像配准中（例如心脏成像与腹部成像）。此类全局约束会导致在不连续组织界面处出现伪影并增大误差。为解决该问题，我们提出一种弱监督的保持不连续性的深度图像配准网络（DDIR），以获得更好的配准性能与逼真的形变场。我们证明，在基于英国生物样本库影像研究（UKBB）的心脏磁共振（MR）图像的配准实验中，与最先进的方法相比，我们的方法在配准精度上取得显著提升，并预测出更逼真的形变。