DiST-DR：扩散模型驱动的Swin Transformer非线性医学图像微分同胚配准

摘要

医学图像配准是医学图像分析中的关键任务。在深度学习框架下，实现同时具备平滑性、拓扑保持性与高精度的图像配准仍面临诸多挑战。为协同建模局部细节与全局上下文信息，并增强扩散模型的特征表达能力，提出了一种新型混合架构——DiST-DR(Diffusiondriven Swin Transformer for Diffeomorphic Registration)。该模型融合CNN与Swin Transformer作为骨干网络，并引入密集乘法连接（Dense Multiplicative Connection, DMC）模块，以有效融合多尺度特征。此外，DiST-DR引入微分同胚变换，以在配准过程中保持形变场的平滑性与拓扑结构。在心脏MRI与肝脏CT数据集上的实验证明，DiST-DR优于现有先进的配准方法，展现出其在实现精确且拓扑保持的图像配准任务中的应用潜力。

关键词

医学图像配准 / 扩散模型 / Swin Transformer / 微分同胚配准