基于Transformer和CNN的双流网络眼底图像可变形配准方法

摘要

视网膜图像配准有助于医生全面了解视网膜结构，但由于缺乏带真实标签的数据，增加了配准难度.传统配准方法效率低，且依赖固定模型和手工设计特征，难以处理复杂变形，而深度学习方法尽管高效，但多为单流结构，该结构会对特征融合产生干扰.针对现有方法在特征提取上的不足，本文提出一种双流网络，通过Transformer和CNN分别提取全局和局部特征，在多个尺度上进行特征匹配，并引入血管信息辅助训练.实验结果表明，该方法在彩色眼底数据集上显著提升了配准精度，验证了其在可变形医学图像配准中的有效性.

关键词

眼底图像配准 / 无监督学习 / transformer / CNN