用于无监督可变形图像配准的逆一致深度网络

可变形图像配准是医学图像分析中的一项基本任务，旨在建立一对图像之间密集且非线性的对应关系。以往的深度学习研究通常采用有监督神经网络直接学习从一幅图像到另一幅图像的空间变换，需要特定任务的真实配准标签用于模型训练。由于难以收集精确的真实配准标签，这些有监督方法的实际实现具有挑战性。尽管近期已开发出若干无监督网络，这些方法通常忽略了图像对之间变换固有的逆一致属性（对微分同胚映射至关重要）。此外，现有方法通常仅通过平滑约束来促使待估计变换局部平滑，无法完全避免所得变换中的折叠。为此，我们提出一种用于无监督可变形图像配准的逆一致深度网络(ICNet)。具体而言，我们设计了一种逆一致约束，以促使一对图像对称地相互形变，直至两幅形变后的图像相匹配。除使用常规平滑约束外，我们还提出一种抗折叠约束以进一步避免变换中的折叠。所提方法不需要任何监督信息，同时通过所提逆一致与抗折叠约束促使变换具有微分同胚性质。我们在 T1 加权脑磁共振成像(MRI)扫描上评估了我们的方法，用于组织分割与解剖标志点检测，结果表明我们的 ICNet 在可变形图像配准上优于多种最先进的方法。我们的代码将公开可用。