A self-attention model for robust rigid slice-to-volume registration of functional MRI

功能性磁共振成像（fMRI）在神经科学中非常重要，可以用于研究脑部疾病、治疗监测和脑功能映射。然而，在fMRI扫描期间，由于在采集切片时发生的头部运动，可能会导致图像失真、偏差分析和增加扫描重复的成本。因此，通过切片到体积配准（SVR）进行回顾性的切片级运动校正非常关键。以往的研究利用基于深度学习（DL）的模型来解决SVR任务，但忽略了输入切片堆栈所产生的不确定性，并未为每个切片分配权重或评分。在本文中，我们介绍了一种端到端的SVR模型，用于将2D fMRI切片与3D参考体积对齐，引入了自我注意机制，以增强对输入数据变化和不确定性的鲁棒性。它利用独立的切片和体积编码器以及自我关注模块为每个切片分配像素级分数。我们在包括27名测试集中的合成刚性运动生成的200个图像上进行了评估实验，这些图像来自公开可用的Healthy Brain Network（HBN）数据集。我们的实验结果表明，与最先进的基于深度学习的方法相比，我们的模型在对准精度方面取得了竞争性的表现（欧几里德距离为0.93 [mm] vs. 1.86 [mm]）。此外，我们的方法与传统的迭代方法相比，具有显著更快的配准速度（0.096秒 vs. 1.17秒）。我们的端到端SVR模型可以在fMRI采集过程中实时跟踪头部运动，确保对输入的可靠性和鲁棒性。源代码，包括训练和评估，将很快可用。

本文旨在解决fMRI扫描中头部运动对数据准确性的影响，提出了一种基于自注意力机制的端到端的slice-to-volume registration (SVR)模型。

该模型采用独立的slice和volume编码器以及自注意力模块，为每个slice分配像素级别的权重或得分，从而提高对输入数据变化和不确定性的鲁棒性。

实验结果表明，该模型在对比现有深度学习方法的对齐精度时表现出竞争性，同时比传统的迭代方法具有更快的配准速度。该模型可用于实时头部运动跟踪，确保数据的可靠性和鲁棒性。作者使用了公开数据集并将源代码开源。

最近的相关研究包括使用深度学习方法进行fMRI数据配准的其他工作，如Slice-GRU和DeepSlice。