基于高斯原始值的可形变图像配准
计算机视觉与模式识别
2025-09-08 v2
摘要
可形变图像配准（DIR）对于对解剖结构存在变异的医学图像的对齐至关重要，有助于实现疾病跟踪和放射治疗规划等应用。虽然经典的迭代方法和深度学习方法在DIR方面取得了成功，但往往受到计算效率低下或泛化性差的制约。本文引入了一种新型的、针对特定案例的优化DIR方法——GaussianDIR，灵感来自3D高斯溅写。GaussianDIR使用稀疏的、可移动且灵活的高斯原始值来表示图像变形，每个原始值由中心位置、协方差和局部刚性变换定义。这种紧凑且显式的表示减少了噪声和计算开销，同时提高了可解释性。此外，通过对相邻高斯原始值的局部刚性变换进行加权融合来推导单个体素的运动。通过这种方式，GaussianDIR既捕捉到了全局光滑性和局部刚性，又减小了计算负担。为应对不同程度的变形复杂度，GaussianDIR还集成了自适应密度控制机制，以动态调整高斯原始值的密度。此外，我们采用多尺度高斯原始值来捕捉粗糙和细节变形，将优化问题简化为局部最低点。在脑MRI、肺CT和心脏MRI数据集上的实验结果表明，GaussianDIR在准确性和效率方面均优于现有的DIR方法，凸显了其在临床应用中的潜力。最后，作为一种无需训练的方法，它挑战了迭代方法天生就慢且难以普遍化的刻板印象。
引用
@article{arxiv.2406.03394,
title = {Gaussian Primitives for Deformable Image Registration},
author = {Jihe Li and Xiang Liu and Fabian Zhang and Xia Li and Xixin Cao and Ye Zhang and Joachim Buhmann},
journal= {arXiv preprint arXiv:2406.03394},
year = {2025}
}