摘要

无监督图像配准通常采用U-Net风格的网络来预测全分辨率空间域中的密集位移场。然而，对于高分辨率体积图像数据，这一过程资源密集且耗时较长。为了解决这一问题，我们提出了Fourier-Net，用一个无参数的模型驱动解码器替换了U-Net风格网络中的扩展路径。具体而言，我们的Fourier-Net不是学习输出全分辨率空间域中的位移场，而是学习其在带限傅里叶域中的低维表示。然后，通过我们设计的模型驱动解码器（包括零填充层和逆离散傅里叶变换层）将该表示解码为全分辨率空间域中的密集位移场。这些改进使得我们的无监督Fourier-Net包含更少的参数和计算操作，从而实现了更快的推理速度。我们在两个公开的3D脑部数据集上对Fourier-Net进行了评估，并与多种最先进的方法进行了对比。例如，与最近提出的基于Transformer的方法TransMorph相比，我们的Fourier-Net仅使用了其2.2%的参数和6.66%的乘加运算量，却达到了0.5%更高的Dice分数和11.48倍更快的推理速度。代码可在以下网址获取：[https://github.com/xi-jia/Fourier-Net]。