基于多级相关性平衡优化的无监督多模态三维医学图像配准
计算机视觉与模式识别
2025-02-04 v2
摘要
基于多模态图像配准的手术导航通过显示术中目标区域与关键解剖结构的相对位置，为外科医生提供术中指导，发挥着重要作用。然而，由于多模态图像之间的差异以及手术中组织移位和切除导致的术中图像变形，术前与术中多模态图像的有效配准面临重大挑战。为了解决Learn2Reg 2024中的多模态图像配准挑战，本文设计了一种基于多级相关性平衡优化（MCBO）的无监督多模态医学图像配准方法。首先，基于模态独立邻域描述子提取各模态特征，并将多模态图像映射到特征空间。其次，设计了一种多级金字塔融合优化机制，通过对不同尺度的输入特征进行密集相关性分析和权重平衡的耦合凸优化，实现变形场的全局优化和局部细节互补。对于不同模态的术前图像，通过变形场之间的最大融合实现不同模态间有效信息的对齐与堆叠。我们的方法专注于Learn2Reg 2024中的ReMIND2Reg任务，为验证方法的通用性，还在COMULIS3DCLEM任务上进行了测试。结果表明，我们的方法在这两个任务的验证中均取得了第二名。代码可在https://github.com/wjiazheng/MCBO获取。
引用
@article{arxiv.2409.05040,
title = {Unsupervised Multimodal 3D Medical Image Registration with Multilevel Correlation Balanced Optimization},
author = {Jiazheng Wang and Xiang Chen and Yuxi Zhang and Min Liu and Yaonan Wang and Hang Zhang},
journal= {arXiv preprint arXiv:2409.05040},
year = {2025}
}
备注
Method description for MICCAI Learn2Reg 2024 challenge