用于脑图像无监督多模态配准的互信息神经估计

图像引导手术与治疗中的许多应用需要快速可靠的非线性多模态图像配准。最近提出的无监督基于深度学习的配准方法在仅花费一小部分时间的情况下展示了优于迭代方法的性能。大多数基于学习的方法聚焦于单模态图像配准。向多模态配准的扩展依赖于适当相似性函数的使用，例如互信息（MI）。我们提出在端到端可训练网络中以图像对之间的 MI 估计来引导基于深度学习的配准方法的训练。我们的结果表明，一个小型的 2 层网络在单模态和多模态配准中均产生有竞争力的结果，且运行时间在亚秒级。与迭代和基于深度学习的方法的比较表明，我们基于 MI 的方法产生了拓扑上和定性上更优的结果，且非微分同胚变换的比率极低。实时临床应用将受益于解剖结构更好的视觉匹配以及更少的配准失败/离群值。