深度学习图像配准中 assimilating 生物力学约束：应用于滑动和局部刚性变形
计算机视觉与模式识别
2025-04-09 v1
摘要
医学图像配准中的正则化策略常常采用一种通用的方法，通过在整个图像域中施加统一约束。然而，生物结构绝非如此规整。缺乏对结构的感知，这些策略可能无法考虑到各种空间非均匀变形属性，这些属性才能忠实地反映软组织和硬组织的生物力学，尤其是在对比较差的结构方面。为弥合这一差距，我们提出一种基于学习的图像配准方法，其推断的变形属性可在训练的生物力学特征的基础上进行局部自适应。具体而言，我们在训练过程中使用源生物力学领域中启发的正则化损失，强制执行局部刚性位移、剪切运动或类弹性变形。随后我们在合成和真实3D胸腔和腹部图像上表明，这些不同性质的力学特征在推断新图像对之间的变形时能够良好地泛化。我们的 methods 使神经网络能够直接从输入图像推断组织特有的变形模式，确保力学上合理的运动。这些网络在硬组织内部保持刚性，同时在组织自然分离的区域允许受控滑动，更忠实地捕捉生理运动。代码已公开于https://github.com/Kheil-Z/biomechanical_DLIR。
引用
@article{arxiv.2504.05444,
title = {Biomechanical Constraints Assimilation in Deep-Learning Image Registration: Application to sliding and locally rigid deformations},
author = {Ziad Kheil and Soleakhena Ken and Laurent Risser},
journal= {arXiv preprint arXiv:2504.05444},
year = {2025}
}