SACB-Net: 空间感知卷积用于医学图像配准
计算机视觉与模式识别
2025-03-26 v1
摘要
基于深度学习的图像配准方法已展现出最先进的性能和快速的推理速度。尽管取得了这些进展，许多现有方法由于依赖空间共享卷积核，在捕捉特征图非局部区域的空间变化信息方面存在不足。这一限制导致形变场的估计次优。本文提出了一种3D空间感知卷积块（SACB）来增强特征表示中的空间信息。我们的SACB通过利用特征相似性估计特征图内的空间聚类，随后在不同区域参数化自适应卷积核。这种自适应机制生成针对空间变化定制的卷积核（权重和偏置），从而使网络能够有效捕捉空间变化信息。基于SACB，我们引入了一个金字塔流估计器（称为SACB-Net），它集成SACB以促进多尺度流组合，特别处理大形变。在脑部IXI和LPBA数据集以及腹部CT数据集上的实验结果表明了SACB的有效性和SACB-Net相对于最先进的基于学习的配准方法的优越性。代码可在https://github.com/x-xc/SACB_Net获取。
引用
@article{arxiv.2503.19592,
title = {SACB-Net: Spatial-awareness Convolutions for Medical Image Registration},
author = {Xinxing Cheng and Tianyang Zhang and Wenqi Lu and Qingjie Meng and Alejandro F. Frangi and Jinming Duan},
journal= {arXiv preprint arXiv:2503.19592},
year = {2025}
}
备注
CVPR 2025