NeuReg：面向人类与小鼠大脑的域不变三维图像配准

医学脑成像严重依赖图像配准，以准确整理脑特征的结构边界，用于各种医疗应用。深度学习模型近年来在图像配准方面展现了显著性能。然而，它们往往难以处理三维脑容积的多样性，受限于其结构和对比度变化以及成像域。在这项工作中，我们提出了 NeuReg，一个具有域不变性特征的神经启发式三维图像配准架构。NeuReg 生成成像特征的域无关表示，并采用基于滑动窗口的 Swin Transformer 块作为编码器。这使我们的模型能够捕捉跨脑成像模态和物种的差异。我们在包含人类和小鼠三维脑容积的多域公开数据集上展示了新的基准。大量实验表明，我们的模型（NeuReg）超越了现有的基于深度学习的图像配准基线模型，并在跨域数据集上提供了高性能提升——在这些数据集上，模型在"源域"上训练并在完全"未见"的目标域上测试。我们的工作建立了一种新的域无关三维脑图像配准的最先进水平，其底层是神经启发式的基于 Transformer 的架构。