一种用于医学图像无监督配准的低秩表示法

配准网络在医学图像分析中已展现出巨大的应用潜力。然而，有监督训练方法对大规模高质量标注数据集需求甚巨，因数据共享问题，这既耗时有时亦不切实际。无监督图像配准算法通常将基于强度的相似性度量作为损失函数，无需任何人工标注。这些方法通过在训练中优化网络参数来估计移动图像与固定图像对之间的参数化变换。但当图像质量参差时，例如部分图像被显著噪声或伪影损坏，这些方法效力下降。本工作中，我们提出一种基于低秩表示的新方法，即Regnet-LRR，以应对该问题。我们将含噪图像投影至无噪低秩空间，再计算图像间相似性。基于低秩相似性度量，我们训练配准网络预测含噪图像对的稠密形变场。我们强调，低秩投影被重新表述，以使配准网络能成功更新梯度。通过心脏与腹部模态内配准两项任务，我们证明了低秩表示可提升模型的泛化能力与鲁棒性，并在含噪数据配准场景中带来显著改进。