XMorpher：基于交叉注意力的全Transformer可变形医学图像配准网络
计算机视觉与模式识别
2022-06-16 v1
摘要
有效的骨干网络对基于深度学习的可变形医学图像配准（DMIR）十分重要，因为它提取并匹配两幅图像间的特征以发现互相对应关系从而实现精细配准。然而，现有深度网络关注单图像情形，在基于图像对的配准任务上受限。为此，我们提出一种新颖骨干网络XMorpher，用于DMIR中有效的对应特征表示。1）提出一种新颖的全Transformer架构，包含通过交叉注意力交换信息的双并行特征提取网络，从而在逐级提取各自特征的同时发现多层次语义对应，最终实现有效配准。2）提出交叉注意力Transformer（CAT）块以建立图像间的注意力机制，能够自动发现对应关系并促使特征在网络中高效融合。3）约束基窗口与不同尺寸搜索窗口间的注意力计算，从而聚焦于可变形配准的局部变换并同时提升计算效率。无需任何额外技巧，我们的XMorpher在DSC上较Voxelmorph提升2.8%，表明其对DMIR中图像对特征的有效表示。我们相信XMorpher在更多配对医学图像上具有巨大应用潜力。我们的XMorpher开源地址为https://github.com/Solemoon/XMorpher。
引用
@article{arxiv.2206.07349,
title = {XMorpher: Full Transformer for Deformable Medical Image Registration via Cross Attention},
author = {Jiacheng Shi and Yuting He and Youyong Kong and Jean-Louis Coatrieux and Huazhong Shu and Guanyu Yang and Shuo Li},
journal= {arXiv preprint arXiv:2206.07349},
year = {2022}
}
备注
accepted by MICCAI 2022