用于微分同胚医学图像配准的对称动态学习框架

微分同胚图像配准对于各种医学成像应用至关重要，因为它可以保持变换的拓扑结构。本研究引入了 DCCNN-LSTM-Reg，一个通过满足指定的控制增量系统动态演化并学习对称配准路径的学习框架。该框架旨在获取运动图像与固定图像之间的对称微分同胚变形。为实现这一点，我们将深度学习网络与微分同胚数学机制相结合，创建了一个连续且动态的配准架构，该架构由多个对称配准（SR）模块在五个不同尺度上级联而成。具体而言，我们的方法首先使用两个共享参数的 U-Net 从图像中提取多尺度特征金字塔。然后我们开发了一个 SR 模块，该模块由顺序 CNN-LSTM 架构组成，通过控制增量学习和同伦延续法逐步校正前向和反向多尺度变形场。通过在三个三维配准任务上的广泛实验，我们证明了该方法在定量和定性评估方面均优于现有方法。