用于无监督医学图像配准的自适应对应性评分

我们提出一种用于无监督医学图像配准的自适应训练方案。现有方法依赖图像重建作为主监督信号。然而，干扰变量（如噪声与共视性）、物理波（如超声）中朗伯假设的违背，以及不一致的图像采集，均可能导致医学图像间对应性的丧失。由于无监督学习方案依赖图像间强度恒定来建立重建所需的对应性，这引入了未被典型训练目标建模的伪误差残差。为缓解此问题，我们提出一种自适应框架，在训练期间利用对应性评分图对误差残差重新加权，防止参数化位移估计器因含噪梯度而漂移，从而避免性能退化。为说明方法的通用性与有效性，我们在三个医学图像数据集及另外的基线上，对三种代表性配准架构测试了框架。我们的自适应框架在定量与定性上均持续优于其他方法。配对 t 检验表明我们的改进具有统计显著性。代码见：\url{https://voldemort108x.github.io/AdaCS/}。