面向可 deformable 视网膜图像配准的高斯原语优化

可 deformable 视网膜图像配准因大面积均匀区域和稀疏但关键血管特征而极其困难，这些因素在标准学习框架中导致梯度信号有限。本文引入高斯原语优化（GPO），一种新型迭代框架，通过结构化消息传递来克服这些挑战。在初始粗糙配准后，我们提取关键点于显著解剖结构（如主要血管）处，以作为基于描述符的控制节点（DCN）的一最小集合。每个节点被建模为具有可训练位置、位移和半径的高斯原语，从而使其空间影响力适应局部变形尺度。K 最近邻（KNN）高斯插值随后将来自这些信息丰富节点的位移信号进行混合和传递，以构建全局一致的位移场；聚焦于前 K 个最近邻可减少计算开销，同时保持局部细节。通过战略性地将节点锚定在高梯度区域，GPO 确保稳健的梯度流，减轻纹理区域梯度消失的挑战。该框架通过多项损失函数 end-to-end 优化，强制执行关键点一致性和强度对齐。在 FIRE 数据集上的实验表明，GPO 将目标注册误差从 6.2 像素降至约 2.4 像素，将 25 像素处的 AUC 从 0.770 提升至 0.938，显著优于现有方法。源代码可通过 https://github.com/xintian-99/GPOreg 访问。