基于全局与局部可变形变换的渐进式视网膜图像配准

视网膜图像配准在眼科诊断过程中发挥着重要作用。由于不同视网膜图像在观察角度和解剖结构方面存在差异,基于关键点的方法因其鲁棒性和低延迟性而成为视网膜图像配准的主流方法。这些方法通常假设视网膜表面为平面,并采用特征匹配获取表示图像之间全局变换的单应矩阵。然而,这种平面假设不可避免地引入配准误差,因为视网膜表面约为曲面。当进行观察角度差异显著的图像配对时,这一限制尤为突出。为解决此问题,我们提出了一种称为HybridRetina的混合配准框架,通过全局与局部可变形变换逐级配准视网膜图像。为此,我们使用关键点检测器和称为GAMorph的变形网络来分别估计全局变换和局部可变形变换。具体而言,我们将多级像素关系知识整合到GAMorph的训练中。此外,我们利用包含图像几何先验的边缘注意力模块,确保变形场更关注临床感兴趣区的血管区域。在广泛使用的FIRI和FLoRI21数据集上实验表明,我们提出的HybridRetina显著优于一些最先进的方法。代码已提供,地址为https://github.com/lyp-deeplearning/awesome-retinal-registration。