脑 MRI 形变配准中的旋转等变卷积
计算机视觉与模式识别
2026-04-10 v1
摘要
图像配准是一种将解剖结构在图像之间对齐的基本任务。虽然卷积神经网络 (CNN) 表现良好，但它们缺乏旋转等变性——旋转输入不会产生相应的旋转输出。这会限制性能，因为无法利用解剖结构所固有的旋转对称性，尤其是在脑部 MRI 中。本文将旋转等变卷积集成到可变形脑 MRI 配准网络中。通过在三种基线架构中用等变编码器替换标准编码器进行评估，并在多个公开脑 MRI 数据集上进行测试。我们的实验表明，等变编码器具有三个关键优势：1) 实现更高的配准精度，同时减少网络参数，确认了这种解剖归纳偏置的优势。2) 在旋转输入对上表现优于基线，显示出对常见临床实践中方向变化的鲁棒性。3) 需要更少的训练数据，显示出更好的样本效率。我们的结果表明，纳入几何先验是构建更稳健、更准确、更高效配准模型的关键步骤。
引用
@article{arxiv.2604.08034,
title = {Rotation Equivariant Convolutions in Deformable Registration of Brain MRI},
author = {Arghavan Rezvani and Kun Han and Anthony T. Wu and Pooya Khosravi and Xiaohui Xie},
journal= {arXiv preprint arXiv:2604.08034},
year = {2026}
}
备注
Accepted at the 2026 International Symposium on Biomedical Imaging (ISBI) Poster 4-page paper presentation