相关性感知的粗到细MLP用于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步骤。最近，Transformer已被用于配准并优于卷积神经网络（CNN）。Transformer可以捕捉图像特征之间的长程依赖关系，这已被证明对配准有益。然而，由于自注意力的高计算/内存负载，Transformer通常用于降采样的特征分辨率，无法在全图像分辨率下捕捉细粒度的长程依赖。这限制了可变形配准，因为它需要每个图像像素之间的精确密集对应。没有自注意力的多层感知机（MLP）在计算/内存使用上高效，使得在全分辨率下捕捉细粒度长程依赖成为可能。然而，MLP尚未被广泛探索用于图像配准，并且缺乏对医学配准任务至关重要的归纳偏置的考虑。在这项研究中，我们提出了第一个基于相关性感知MLP的配准网络（CorrMLP），用于可变形医学图像配准。我们的CorrMLP在一种新颖的粗到细配准架构中引入了相关性感知多窗口MLP块，该块捕捉细粒度多范围依赖以执行相关性感知的粗到细配准。在七个公共医学数据集上的大量实验表明，我们的CorrMLP优于最先进的可变形配准方法。