医疗图像配准论文学习——AMnet（2023）​自适应多级配准网络（

论文原文链接

前言

本文提出一种自适应多级配准网络（AMNet），以保持变形场的连续性，实现三维脑MR图像的高性能配准。首先，设计一种具有自适应增长策略的轻量级配准网络，从多级小波子带中学习变形场，便于全局和局部优化，实现高性能配准;其次，我们的AMNet设计用于图像配准，根据一个区域的变形复杂程度调整其局部重要性，从而提高配准效率并保持变形场的连续性。

key word：

Deformable registration、Adaptation、Multi-level、Wavelet transformation

一、介绍

传统的配准方法（基于特征、基于区域、基于几何量等）已经在图像配准上取得了成功，但这样的方法往往效率低、时间慢、无法共享参数（也就是说对每一对图像都需要搜索可变形变形场deformable transformation field）。这些年深度学习的方法进入配准领域，尽管训练基于深度学习的配准模型通常计算成本很高，但一旦训练了网络，配准就可以在几秒钟内完成，并在一次正向传递中估计全尺寸变形场。根据推导变形场的机理，这些深度配准方法可分为单级配准和多级配准。前者仅从一个分辨率级别或尺度导出变形场，而后者通常基于从粗到细的方案学习变形。根据搜索空间，单级配准模型可以进一步分为图像配准image-wise registration和补丁配准patch-wise registration。

图像单级配准模型通常构建在具有编码器-解码器架构的U-Net模型之上。尽管特征是从不同的图层和比例生成的，但最终仅使用全连接的图层或最高分辨率的比例来导出变形场。因此，直接在原始输入图像上搜索最佳变换的图像配准方案（在最高或最精细的分辨率级别），没有对变换进行初始估计的情况下，这种优化处理大位移时通常很慢，更容易陷入局部优化.此外，图像方法更侧重于全局上下文信息，限制了网络捕获复杂局部变形的能力。

补丁单级配准模型提高了计算效率和捕获局部变形的能力。 在这样的配准框架中，首先将输入图像分成小块，然后，在这些单独的块内限制变形场的搜索，以便快速进行变形学习。然后将来自补丁的变形场组合成一个全局变形场，以扭曲整个运动图像。尽管基于补丁的方法减轻了内存需求的负担，并且可以捕获更详细和微妙的局部变形，但这些模型可能面临一些重大限制。首先，如图1（a）所示，块之间的大变形可能导致近距离块的解剖特征出现严重的不一致性。因此，很难保持不同块之间的连续性，从而导致变形场的不连续性。此外，过度关注局部变形可能会导致陷入局部优化。

​