基于图神经网络分割图像间的空间对应关系

图神经网络（GNNs）已被提出用于医学图像分割，通过预测由顶点和边构成的图所表示的解剖结构。其中一类图被预定义为固定大小与连接关系，以表示感兴趣解剖区域的参考，即所谓的模板。本工作探索了这些具有共同拓扑的GNNs在建立空间对应关系方面的潜力，该关系在分割两幅或多幅图像时隐式保持。以CT图像中局部椎体子区域的配准为例应用，我们的实验结果表明，基于GNN的分割能够准确可靠地定位图像间具有相同介入兴趣的结构，且不限于分割类别。所报告的将留出测试图像与参考对齐、以及将两幅测试图像对齐的平均目标配准误差分别为2.2$\pm$1.3 mm和2.7$\pm$1.4 mm，显著低于所测试的非学习与基于学习的配准算法。进一步的消融研究评估了最初以分割为目的的网络及其训练算法中各个组件对配准性能的贡献。结果凸显出所提出的以分割代替配准的方法与现有配准方法在方法论上的相似性，例如位移平滑约束与点距离最小化的使用，尽管是在非网格图上，却有趣地为分割与配准均带来了益处。因此我们得出结论：在我们的应用中，基于模板的GNN分割无需任何其他专用配准算法即可有效建立空间对应关系。