LDM-Morph：基于潜在扩散模型引导的可变形图像配准
计算机视觉与模式识别
2024-11-26 v1
摘要
可变形图像配准在 various 医学图像任务中发挥着 essential 作用。现有的基于深度学习的可变形配准框架主要使用卷积神经网络（CNN）或 Transformer 来学习特征以预测变形。然而，所学特征缺乏语义信息限制了配准性能。此外，损失函数的相似性度量通常仅在像素空间评估，忽略了高层解剖特征的匹配，可能导致变形折叠。为此，本 work 提出了 LDM-Morph，一种用于医学图像配准的 unsupervised 可变形配准算法。LDM-Morph 将潜在扩散模型（LDM）提取的特征融入以丰富语义信息。此外，设计了一种基于潜在和全局特征的跨注意力模块（LGCA），以增强来自LDM和多头自注意力操作的全局信息之间的语义交互。最后，提出了一种分层度量，用于在原始像素空间和潜在特征空间中评估图像对的相似性，在提高配准准确性的同时增强了拓扑保持。在四个公开的 2D 心脏图像数据集上进行的广泛实验表明，所提出的 LDM-Morph 框架在准确性和拓扑保持方面优于现有的基于 CNN 和 Transformer 的配准方法，同时在计算效率方面表现相当。我们的代码已公开于 https://github.com/wujiong-hub/LDM-Morph。
引用
@article{arxiv.2411.15426,
title = {LDM-Morph: Latent diffusion model guided deformable image registration},
author = {Jiong Wu and Kuang Gong},
journal= {arXiv preprint arXiv:2411.15426},
year = {2024}
}