基于结构非参数平滑的无监督可变形图像配准
计算机视觉与模式识别
2025-06-13 v1 图像与视频处理
信号处理
摘要
学习式可变形图像配准（DIR）通过神经网络对传统优化进行 amortization 来加速对齐。标签监督进一步提升精度，使其能够高效精确地对不可见扫描进行非线性对齐。然而，面对稀疏特征分布于大面积平滑区域的图像（如视网膜血管），无监督 DIR 方法难以应对此类 aperture 和大位移挑战。这种限制源于神经网络在单次前向传播中预测变形场，训练后场未受约束，将正则化负担完全转移至网络权重。为此，我们提出 SmoothProper，一个即插即用神经模块，通过定制的交互项将平滑性和消息传递在网络前向传播中实现。通过集成基于对偶的优化层，SmoothProper 高效地在空间位置之间传递流信号、实现平滑性并保持结构一致性。该方法具有模型中立性，可无缝集成到现有配准框架中，仅需最小参数开销，消除了正则化超参数调优。在面临 aperture 和大位移挑战的视网膜血管数据集上进行的初步结果表明，我们的方法将配准误差降至 1.88 像素（2912x2912 图像），成为首个有效解决此两类挑战的无监督 DIR 方法。源代码将发布于 https://github.com/tinymilky/SmoothProper。
引用
@article{arxiv.2506.10813,
title = {Unsupervised Deformable Image Registration with Structural Nonparametric Smoothing},
author = {Hang Zhang and Xiang Chen and Renjiu Hu and Rongguang Wang and Jinwei Zhang and Min Liu and Yaonan Wang and Gaolei Li and Xinxing Cheng and Jinming Duan},
journal= {arXiv preprint arXiv:2506.10813},
year = {2025}
}
备注
Accepted for publication at Information Processing in Medical Imaging (IPMI) 2025