利用边缘图的多模态无监督脑图像配准

微分同胚可变形多模态图像配准是一项具有挑战性的任务，其目标是将不同模态获取的图像置于同一坐标空间，同时保持变换的拓扑性和可逆性。近期研究集中于利用深度学习方法完成此任务，因为已证明这些方法在实现有竞争力的配准精度的同时，计算效率高于传统的迭代配准方法。在本工作中，我们提出一种简单而有效的无监督深度学习多模态图像配准方法，该方法在训练期间受益于来自图像梯度幅值（即图像边缘）的辅助信息。其直觉在于，具有强梯度的图像位置被认为表示组织过渡，这些位置具有高信息价值，能够充当几何约束。该任务类似于使用分割图驱动训练，但边缘图获取更容易、更快速，且无需标注。我们使用三种据称有助于多模态配准的损失函数，在不同受试者的多模态（T1w 到 T2w）磁共振脑图像配准背景下评估了我们的方法，结果表明，在所有情况下，辅助信息都能在不影响运行时间的前提下带来更好的结果。