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，变形器已被用于配准，并且表现出优于卷积神经网络（CNN）的性能。变形器可以捕捉图像特征之间的长程依赖关系，这对于配准是有益的。然而，由于自注意力计算/内存负荷高，变形器通常在下采样的特征分辨率下使用，不能以完整的图像分辨率捕捉细粒度的长程依赖关系。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关系。没有自我关注的多层感知器（MLP）在计算/内存使用上是高效的，可以在完整分辨率下捕捉细粒度的长程依赖关系，从而实现可行性。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，以捕捉细粒度的多范围依赖关系，以执行相关性感知的粗到细配准。对七个公共医学数据集的大量实验表明，我们的CorrMLP优于最先进的可变形配准方法。

本篇论文旨在解决医学图像配准中的变形图像配准问题，提出了一种基于多窗口MLP的配准网络，旨在捕捉全分辨率的细粒度长程依赖关系。

论文提出了一种新的卷积神经网络架构，称为CorrMLP，在医学图像配准中取得了优异的性能。该网络使用多窗口MLP块来捕捉全分辨率的细粒度长程依赖关系，并且使用粗到精的配准策略，实现了精确的配准。

论文使用了七个公共医学数据集进行了广泛的实验，证明了CorrMLP在变形图像配准方面的优越性能。此外，论文还提出了一个基于多窗口MLP的相关性感知块，用于精确地捕捉多尺度依赖关系，这是医学图像配准中的一个重要问题。此外，论文还提供了开源代码。

最近的研究表明，transformers在医学图像配准中具有很好的表现，但是由于计算和内存负载的限制，它们通常只能在下采样的特征分辨率上使用，而不能在全分辨率上捕捉细粒度长程依赖关系。相比之下，CorrMLP使用了多窗口MLP来解决这个问题，并在医学图像配准中取得了良好的性能。