换一批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
Unsupervised deformable medical image registration based on self-similarity context and mixed attention|N|
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.
更多相关知识
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deformable medical image registrationself-similarity contextmixed attentionunsupervised deep learning
栏目名称
DOI
10.3969/j.issn.1005-202X.2025.03.004
发布时间
2025-04-03（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（61901537）
河南省高校科技创新人才支持计划（23HASTIT030）
中原工学院学科青年硕导培育计划项目（SD202207）
中原工学院研究生科研创新计划项目（YKY2024ZK26）
- 浏览0
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
