基于块的多层感知机与 Transformer 的无监督超声心动图配准
计算机视觉与模式识别
2022-11-22 v1
摘要
图像配准是医学图像计算中一项基础但具有挑战性的任务，尤其对于超声心动图，其解剖结构相较于其他成像模态更为嘈杂。传统的（非学习）配准方法依赖于相似性度量的迭代优化，通常在时间复杂度上代价高昂。近年来，基于卷积神经网络（CNN）的图像配准方法已展现出良好效果。与此同时，近期研究表明基于注意力的模型（如 Transformer）能在模式识别任务中带来优越性能。相反，Transformer 的优越性能是源于冗长架构还是归因于使用块划分输入，目前尚不清楚。本工作引入了三种使用 MLP 与 Transformer 的基于块的图像配准框架。我们在 2D 超声心动图配准上提供实验以部分回答前述问题并给出一个基准方案。我们在一个大型公开 2D 超声心动图数据集上的结果表明，基于块的 MLP/Transformer 模型可有效用于无监督超声心动图配准。它们展示出与流行 CNN 配准模型相当甚至更优的配准性能。特别地，基于块的模型在雅可比行列式方面更好地保持体积变化，从而生成具有更少不真实形变的鲁棒配准场。我们的结果表明，基于块的学习方法，无论是否带注意力，都能以充足的时间与空间复杂度执行高性能无监督配准任务。我们的代码见 https://gitlab.inria.fr/epione/mlp\_transformer\_registration
引用
@article{arxiv.2211.11687,
title = {Unsupervised Echocardiography Registration through Patch-based MLPs and Transformers},
author = {Zihao Wang and Yingyu Yang and Maxime Sermesant and Herve Delingette},
journal= {arXiv preprint arXiv:2211.11687},
year = {2022}
}