GESH-Net：基于图增强球面调和卷积网络的皮层表面配准
星系天体物理
2025-05-06 v3 宇宙学与河外天体物理
摘要
目前，基于经典方法的皮层表面配准技术已相当发达。然而，经典方法的一个关键问题是：对于每一对要配准的图像，需要根据特定的优化算法在变形空间中搜索最优变换，直至相似度测量函数收敛，这无法满足医学图像配准的实时性和高精度要求。研究基于深度学习模型的皮层表面配准已成为新的研究方向。但迄今为止，仅有少数针对皮层表面图像配准基于深度学习的研究。尽管深度学习方法在理论上具有更强的表示能力，但在配准精度和畸变控制方面超越最先进的经典方法仍然是一个挑战。因此，为解决这一挑战，本文构建了一个深度学习模型来研究皮层表面图像配准技术。具体工作如下：(1) 设计了一个基于多尺度级联结构的无监督皮层表面配准网络，引入基于球面调和变换的卷积方法来进行皮层表面数据配准。这解决了球面特征变换的尺度不灵活问题，并优化了多尺度配准过程。(2) 通过集成注意力机制，引入图增强模块到配准网络中，使用图注意力模块帮助网络学习皮层表面数据的全局特征，增强网络的学习能力。结果表明，图注意力模块有效提升了网络提取全局特征的能力，其配准结果在其他方法之上具有显著优势。
引用
@article{arxiv.2410.14804,
title = {SMILES: Potentially Higher Ionizing Photon Production Efficiency in Overdense Regions},
author = {Yongda Zhu and Stacey Alberts and Jianwei Lyu and Jane Morrison and George H. Rieke and Yang Sun and Jakob M. Helton and Zhiyuan Ji and Rachana Bhatawdekar and Nina Bonaventura and Andrew J. Bunker and Xiaojing Lin and Marcia J. Rieke and Pierluigi Rinaldi and Irene Shivaei and Christopher N. A. Willmer and Junyu Zhang},
journal= {arXiv preprint arXiv:2410.14804},
year = {2025}
}
备注
17 pages. Accepted for publication in ApJ