TransMorph：用于无监督医学图像配准的 Transformer

在过去十年中，卷积神经网络（ConvNets）一直是医学图像分析研究的主要焦点。然而，ConvNets 的性能可能受限于未显式考虑图像中的长程空间关系。近来提出的 Vision Transformer 架构旨在弥补 ConvNets 的不足，并在诸多医学成像应用中取得最先进性能。Transformer 或可成为图像配准的有力候选，因为其大得多的感受野能更精确地理解浮动图像与固定图像间的空间对应。在此，我们提出 TransMorph，一种用于体医学图像配准的 Transformer-ConvNet 混合模型。本文还给出 TransMorph 的微分同胚与贝叶斯变体：微分同胚变体确保拓扑保持形变，贝叶斯变体产生良好校准的配准不确定性估计。我们使用来自三项应用的 3D 医学图像对所述模型进行了广泛验证：患者间及图谱到患者脑 MRI 配准、体模到 CT 配准。所提模型与多种现有配准方法及 Transformer 架构进行比较评估。定性与定量结果表明，所提基于 Transformer 的模型相较基线方法带来显著性能提升，证实了 Transformer 用于医学图像配准的有效性。