Learning Diffeomorphism for Image Registration with Time-Continuous Networks using Semigroup Regularization

本文介绍了Diffeomorphic图像配准（DIR）在三维医学图像分析中的重要性，其目的是寻找保持拓扑结构的图像对之间的形变。近期的方法侧重于解决流场微分方程作为Diffeomorphic形变的问题，使用离散时间步长以及各种正则化项来惩罚Jacobian行列式的负值，并强制解向量场的平滑性。本文提出了一种新颖的基于学习的方法，用于Diffeomorphic三维图像配准，该方法在时间连续中找到Diffeomorphisms，使用较少的正则化项和无需额外的积分。我们利用流场的一个基本属性——半群性质作为唯一形式的正则化，确保图像对之间的时间连续Diffeomorphic流。利用这一属性，我们的方法在训练和评估过程中减轻了对额外正则化项和缩放和平方积分的需求。为了实现时间连续的Diffeomorphisms，我们采用时间嵌入UNets，这是扩散模型中常用的技术。本文提出的方法表明，在连续时间间隔内确保Diffeomorphism会导致更好的配准结果。在两个公共数据集（OASIS和CANDI）上的实验结果表明，我们的模型优于基于学习和基于优化的方法。

本文旨在提出一种新的基于学习的方法，用于解决3D医学图像配准中的拓扑保持变形问题。

本文提出了一种新的基于学习的方法，利用时间嵌入UNet实现时间连续的差分同胚流，避免了额外的正则化项和缩放和平方积分。

本文的方法在两个公共数据集上进行了实验，证明了其优于基于学习和基于优化的方法。此外，该方法还展示了保证在连续时间间隔内进行差分同胚流可以获得更好的配准结果。

最近的相关研究包括：“VoxelMorph: A Learning Framework for Deformable Medical Image Registration”和“Deep Learning in Medical Image Registration: A Review”。