Correlation-aware Coarse-to-fine MLPs for Deformable Medical Image Registration

可变形图像配准是医学图像分析的基本步骤。最近，变形器被用于配准并且表现出比卷积神经网络（CNN）更好的性能。变形器可以捕捉图像特征之间的长程依赖性，这对于配准是有益的。然而，由于自注意力计算/内存负载高，变形器通常在下采样的特征分辨率下使用，并且无法在完整的图像分辨率下捕捉细粒度的长程依赖性。这限制了可变形配准，因为它需要每个图像像素之间的精确密集对应。没有自我关注的多层感知器（MLP）在计算/内存使用方面效率高，使得在完整分辨率下捕捉细粒度的长程依赖性成为可能。然而，MLP在图像配准方面尚未得到广泛探索，并且缺乏对医学配准任务至关重要的归纳偏差的考虑。在本研究中，我们提出了第一个基于相关性感知的MLP配准网络（CorrMLP）用于可变形医学图像配准。我们的CorrMLP在一种新颖的粗到细的配准架构中引入了一个相关性感知的多窗口MLP块，该块捕捉细粒度的多范围依赖性以执行相关性感知的粗到细的配准。对七个公共医学数据集的广泛实验表明，我们的CorrMLP优于最先进的可变形配准方法。

提出一种新的基于多层感知机（MLP）的医学图像变形配准方法，以解决传统变形配准方法存在的精度和计算效率问题。

利用多窗口MLP模块实现对多尺度、多范围图像特征的精细建模，将其应用于新的粗到细的变形配准框架中，实现对医学图像的精确配准。

论文通过实验验证了提出的CorrMLP方法在七个公共医学图像数据集上的优越表现，并与当前最先进的变形配准方法进行了比较。同时，论文提供了开源代码和数据集，为后续研究提供了便利。

最近的相关研究包括：1. 基于CNN的图像变形配准方法；2. 利用transformers实现图像变形配准的方法。