基于多轴交叉协方差注意力的可变形医学图像配准

可变形图像配准是医学图像分析的基本要求。最近，变压器在深度学习基于配准的方法中被广泛应用，由于其能够通过自注意力（SA）捕获长程依赖关系。然而，SA的高计算和内存负载（随空间分辨率呈二次增长）阻碍了变压器处理高分辨率图像特征中细微纹理信息的能力，例如在整幅图像和半幅图像分辨率上。这限制了可变形配准，因为高分辨率纹理信息对于在细微解剖结构之间寻找精确的像素级对应关系至关重要。交叉协方差注意力（XCA），作为SA的“转置”版本， operates across feature channels，其复杂度随空间分辨率呈线性增长，为捕获高分辨率图像特征中的长程依赖提供了可行性。然而，现有的XCA-based变压器仅捕获粗糙的全局长程依赖，这些方法不适用于依赖主要基于细粒度局部对应关系的可变形配准。在本研究中，我们提出通过嵌入新的XCA机制来改进现有的深度学习基于配准的方法。为此，我们设计了一个针对可变形医学图像配准优化的XCA-based变压器模块，命名为多轴XCA（MAXCA）。我们的MAXCA是一个可嵌入到各种配准网络架构中的通用网络模块。它通过在多个轴上并行应用区域XCA和膨胀XCA来捕获高分辨率图像特征中的全局和局部长程依赖。大量实验表明，我们的MAXCA模块在两个广为人知的组织内/组织间患者配准任务中，基于七个公开医学数据集，实现了领先的配准性能。