基于超网络学习物理启发正则项用于医学图像配准

医学图像配准旨在识别同一解剖区域图像间的空间形变，是基于图像的诊疗的基础。迄今为止，大多数基于深度学习的配准方法采用强制全局空间平滑的正则项，例如扩散正则项。然而，此类正则项并非针对数据定制，可能无法反映复杂的底层形变。相比之下，物理启发正则项可促进物理上合理的形变。其中一种正则项是线性弹性正则项，其建模弹性材料的形变。这些正则项由定义材料物理属性的参数驱动。对于生物组织，文献中可找到此类参数的广泛估计，而确定适用于成功配准的合适参数值仍是一项开放挑战。为克服该问题并将物理属性纳入基于学习的配准，我们提出使用超网络来学习物理启发正则项的物理参数对所得空间形变场的影响。具体而言，我们改编 HyperMorph 框架以学习线性弹性正则项的两个弹性参数的影响。我们的方法能够在测试时高效发现合适的、数据特定的物理参数。