用于功能 MRI 鲁棒刚性切片到体积配准的自注意力模型

功能磁共振成像在神经科学中至关重要，可用于研究脑部疾病、监测治疗和绘制大脑功能图谱。然而，在 fMRI 扫描期间发生的头部运动（出现在切片采集的各次激发之间）会导致失真、分析偏差，并因需要重新扫描而增加成本。因此，通过切片到体积配准（SVR）进行回顾性切片级运动校正至关重要。先前的研究利用基于深度学习（DL）的模型来解决 SVR 任务；然而，它们忽略了源于输入切片堆栈的不确定性，并且没有对每个切片进行加权或评分。在这项工作中，我们引入了一种端到端 SVR 模型，用于将 2D fMRI 切片与 3D 参考体积对齐，并结合了自注意力机制以增强对输入数据变化和不确定性的鲁棒性。它利用独立的切片和体积编码器以及自注意力模块来为每个切片分配像素级分数。我们在 200 张图像上进行了评估实验，这些图像涉及从公开可用的健康大脑网络（HBN）数据集中属于测试集的 27 名受试者生成的合成刚体运动。我们的实验结果表明，在配准精度方面，与基于深度学习的 SOTA 方法相比，我们的模型取得了极具竞争力的性能（欧氏距离为 $0.93$ [mm] 对比 $1.86$ [mm]）。此外，与传统的迭代方法相比，我们的方法表现出明显更快的配准速度（$0.096$ 秒对比 $1.17$ 秒）。我们的端到端 SVR 模型促进了 fMRI 采集期间的实时头部运动跟踪，确保了对输入不确定性的可靠性和鲁棒性。包含训练和评估的源代码将很快发布。