用于无模型扩散 MRI 配准的可导向深度网络

非刚性配准对医学图像分析至关重要，但由于扩散 MRI（dMRI）具有高维且依赖方向的特性，其配准仍具挑战性。经典方法虽然准确，但计算要求高；而深度神经网络虽然高效，但与结构成像相比，在非刚性 dMRI 配准方面的研究尚不充分。我们提出了一种新颖的深度学习框架，用于对原始扩散 MRI 数据进行无模型、非刚性配准，且无需显式重定向。以往的方法依赖于派生表示（如扩散张量或纤维取向分布函数），与此不同，在我们的方法中，我们将配准表述为位置与方向空间的等变微分同胚。我们方法的核心是一个 $\mathsf{SE}(3)$ 等变 UNet，它在生成速度场的同时保留了原始 dMRI 域的几何属性。我们引入了一种基于傅里叶空间中最大均值差异的新损失函数，隐式匹配图像间的系综平均传播子。在 Human Connectome Project dMRI 数据上的实验结果表明，与最先进的方法相比具有竞争力的性能，且具有绕过估计派生表示开销的额外优势。这项工作为直接在采集空间中进行数据驱动、几何感知的 dMRI 配准奠定了基础。