迈向更合理的深度图像配准

随着近期计算硬件的进步与深度学习架构的激增，基于学习的深度图像配准方法在指标性能与推理时间上已超越传统方法。然而，这些方法聚焦于提升Dice等指标，导致对配准同样重要、尤其对医学影像而言 desirable 的模型行为关注不足。本文在合理性检验显微镜下考察了流行基于学习的深度配准方法的这些行为。我们发现大多数现有配准因过度优化图像相似性而存在逆一致性低与对相同对无判别力的问题。为纠正这些行为，我们提出一种新颖的基于正则化的合理性强制方法，对深度模型施加两项合理性检验，以同时降低其逆一致性误差并增强判别力。此外，我们为合理性检验图像配准方法导出一组理论保证，实验结果支持我们的理论发现及其在不牺牲任何性能的前提下提升模型合理性的有效性。我们的代码与模型见于 https://github.com/tuffr5/Saner-deep-registration。