基于多尺度双注意力频率融合的联合分割和可变形医学图像注册
计算机视觉与模式识别
2024-10-01 v1
摘要
可变形医学图像注册是医学图像分析的关键方面。近年来，研究者开始利用辅助任务（如监督分割）为主要注册任务提供解剖结构信息，以解决医学图像注册中复杂变形挑战。在本工作中，我们提出了基于多尺度双注意力频率融合 (DAFF-Net) 的多任务学习框架，同时实现分割掩码和稠密变形场的单步估计。DAFF-Net 由全局编码器、分割解码器和粗到细金字塔注册解码器组成。在注册解码过程中，我们设计了双注意力频率特征融合 (DAFF) 模块，用于在不同尺度上融合注册和分割特征，充分利用两种任务之间的相关性。DAFF 模块通过全局和局部加权机制优化特征。在局部加权过程中，它整合了高频和低频信息，以进一步捕获对注册任务至关重要的特征。借助分割信息，注册学习更精确的解剖结构信息，从而增强了注册后图像的解剖一致性。此外，由于 DAFF 模块在提取有效特征信息方面的卓越能力，我们将其应用扩展到无监督注册。在三个公开的 3D 大脑磁共振成像 (MRI) 数据集上进行的广泛实验表明，所提出的 DAFF-Net 及其无监督变体在多个评估指标上均优于最先进的注册方法，显示明确我们方法在可变形医学图像注册中的有效性。
引用
@article{arxiv.2409.19658,
title = {Dual-Attention Frequency Fusion at Multi-Scale for Joint Segmentation and Deformable Medical Image Registration},
author = {Hongchao Zhou and Shunbo Hu},
journal= {arXiv preprint arXiv:2409.19658},
year = {2024}
}