FF-PNet：基于特征与场的脑图像配准金字塔网络
计算机视觉与模式识别
2025-05-12 v2 信息检索
摘要
近年来，可变形医学图像配准技术取得了显著进展。然而，现有模型在粗粒度与细粒度特征的并行提取方面仍然缺乏效率。为解决这一问题，我们构建了一种基于特征与变形场的新金字塔配准网络（FF-PNet）。对于粗粒度特征提取，我们设计了残差特征融合模块（RFFM）；对于细粒度图像变形，我们提出了残差变形场融合模块（RDFFM）。通过这两个模块的并行操作，模型能够有效处理复杂的图像变形。值得强调的是，FF-PNet的编码阶段仅采用传统卷积神经网络，不使用任何注意力机制或多层感知机，但仍实现了显著的配准精度提升，充分展示了RFFM和RDFFM的优越特征解码能力。我们在LPBA和OASIS数据集上进行了广泛实验。结果表明，我们的网络在Dice相似系数等指标上持续优于流行方法。
引用
@article{arxiv.2505.04938,
title = {FF-PNet: A Pyramid Network Based on Feature and Field for Brain Image Registration},
author = {Ying Zhang and Shuai Guo and Chenxi Sun and Yuchen Zhu and Jinhai Xiang},
journal= {arXiv preprint arXiv:2505.04938},
year = {2025}
}