基于自相似性上下文和混合注意力的无监督可变形医学图像配准

摘要

为了充分利用Transformer进行精确的配准，采用自相似性上下文作为特征提取器提取体素邻域上下文的语义信息。它使用具有扩散正则化的对称多尺度离散优化来寻找平滑的变换，可以快速地计算描述符之间的逐点距离。此外，提出一种基于混合注意力的Transformer网络（STWA），结合通道、空间注意力以及基于（移动）窗口的自注意力方案，充分利用3种注意力机制的互补优势，既能利用全局统计信息，又具有强大的局部拟合能力。在LPBA40、IXI和OASIS 3个3D大脑MRI数据集上进行全面的实验，结果表明，与常用的配准方法 SyN、VoxelMorph、CycleMorph、ViT-V-Net和TransMorph相比，本文方法在评估指标上实现优越的性能，证明模型在可变形医学图像配准中的有效性。

关键词

可变形医学图像配准 / 自相似性上下文 / 混合注意力 / 无监督深度学习