iPEAR：基于注意力与残差的可迭代金字塔估计用于形变医学图像配准
计算机视觉与模式识别
2026-02-03 v3 人工智能
摘要
现有金字塔注册网络可能积累解剖学错位，且缺乏有效机制动态确定不同图像下的最优化迭代次数，从而导致性能下降。为此，本文提出iPEAR。具体而言，iPEAR采用我们提出的融合注意力-残差模块（FARM）进行解码，该模块包含注意力路径和残差路径，以缓解解剖学错位的积累。我们进一步提出双阶段阈值控制迭代（TCI）策略，通过评估注册稳定性和收敛情况，自适应确定不同图像的最优化迭代次数。大量实验在三个公开脑MRI数据集和一个公开腹部CT数据集上表明，iPEAR在准确率方面优于最先进（SOTA）注册网络，同时在推理速度和模型参数规模方面表现相当。泛化性和消融研究进一步验证了我们提出的FARM和TCI的有效性。
引用
@article{arxiv.2510.07666,
title = {iPEAR: Iterative Pyramid Estimation with Attention and Residuals for Deformable Medical Image Registration},
author = {Heming Wu and Di Wang and Tai Ma and Peng Zhao and Yubin Xiao and Zhongke Wu and Xing-Ce Wang and Xuan Wu and You Zhou},
journal= {arXiv preprint arXiv:2510.07666},
year = {2026}
}