AutoFuse：面向可变形医学图像配准的自动融合网络

可变形图像配准旨在寻找一对图像间的稠密非线性空间对应，是诸如肿瘤生长监测与群体分析等许多医学任务的关键步骤。近来，深度神经网络（DNN）因其快速端到端配准能力而被广泛认可。然而，基于 DNN 的配准需探索每幅图像的空间信息并融合该信息以刻画空间对应。这引出一个根本问题：刻画空间对应的最优融合策略是什么？现有融合策略（如早期融合、晚期融合）凭经验借助人工定义的先验知识设计以融合信息，不可避免地将该配准性能限制于经验设计之内。本研究中，我们脱离现有经验设计的融合策略，为可变形图像配准开发数据驱动的融合策略。为此，我们提出自动融合网络（AutoFuse），其灵活地在网络内诸多潜在位置融合信息。我们还提出融合门（FG）模块，基于训练数据控制各潜在网络位置的信息融合方式。我们的 AutoFuse 可在训练中自动优化其融合策略，并可泛化至无监督配准（无任何标签）与半监督配准（为部分训练数据提供弱标签）。在八个公开数据集上两项基准医学配准任务（患者间与患者内配准）的广泛实验表明，我们的 AutoFuse 优于最先进的无监督与半监督配准方法。