摘要

我们介绍了一种用于3D医学图像配准的端到端深度学习框架。与现有方法不同，我们的框架结合了两种配准方法：仿射配准和向量动量参数化的静态速度场（vSVF）模型。具体而言，该框架包含三个阶段。在第一阶段，一个多步骤仿射网络预测仿射变换参数。在第二阶段，我们使用类似Unet的网络生成动量，通过平滑处理可以从该动量计算出速度场。最后，在第三阶段，我们采用基于自迭代映射的vSVF组件，根据当前变换映射的估计值提供非参数化精炼。一旦模型训练完成，一次前向传递即可完成配准。为了评估性能，我们在Osteoarthritis Initiative（OAI）数据集的膝关节3D磁共振图像（MRI）上进行了纵向和跨受试者实验。结果显示，我们的框架在性能上可与最先进的医学图像配准方法相媲美，但速度更快，并且对变换规则性的控制更好，包括能够生成近似对称的变换，并结合了仿射和非参数化配准的优点。