基于网格控制点的学习型医学图像配准自由度研究

许多配准问题在均匀或噪声区域不够明确，稠密体素级解码器可能不必要地高维。稀疏控制点参数化提供紧凑、平滑的变形表示，同时减少内存并提高稳定性。本工作 investigates所需的控制点用于开发基于学习的注册网络。我们提出GridReg，一种学习型注册框架，用稀疏网格上的位移预测取代稠密体素级解码。这一设计大幅降低参数数量和内存占用，同时保持注册精度。多尺度3D编码器特征图被展平为1D标记序列，带位置编码以保留空间上下文。模型随后通过跨注意力模块预测稀疏网格变形场。我们进一步引入网格自适应训练，使模型在推理时能够在多个网格大小下自适应运行，无需重新训练。本工作定量证明了使用稀疏网格的优势。通过使用三个数据集进行前列腺腺体、骨盆器官和神经结构的配准，结果表明，网格受控位移场的使用显著提升了注册性能。与预测DDF或在离散关键点上采样位移的现有算法相比，所提出的方法在相似或更低的计算成本下获得了优异的注册性能。