Gaussian Representation for Deformable Image Registration

图像形变配准（DIR）是放射治疗中的一项基本任务，现有方法往往难以有效平衡计算效率、配准精度和速度。我们引入了一种新颖的DIR方法，采用参数化的三维高斯控制点，实现更好的平衡。它为三维体积医学图像之间的空间变形场提供了明确而灵活的表示，生成跨越所有体积位置的位移矢量场（DVF）。使用局部插值转换的线性混合蒙皮（LBS）推导出单个体素的运动。该插值策略不仅简化了体素运动的确定，而且作为一种有效的正则化技术。我们的方法通过反向传播实现统一的优化过程，能够迭代学习三维高斯参数及其变换。此外，在学习阶段，高斯密度会自适应调整以适应不同程度的运动复杂性。我们在4D-CT肺DIR-Lab和心脏ACDC数据集上验证了我们的方法，相比现有方法，DIR-Lab数据集的处理时间大大缩短至2.43秒，平均目标配准误差（TRE）达到1.06毫米，展示了在精度和效率方面的显著进展。

解决问题：论文旨在提出一种新的三维可变形图像配准（DIR）方法，以更好地平衡计算效率、配准精度和速度。

关键思路：论文提出了一种使用参数化的三维高斯控制点的DIR方法，通过局部插值实现线性混合蒙皮（LBS），以简化像素点运动的确定，并作为一种有效的正则化技术。

其他亮点：该方法通过反向传播实现统一的优化过程，可以迭代学习三维高斯的参数和变换，同时自适应地调整高斯密度以适应不同程度的运动复杂性。在4D-CT lung DIR-Lab和cardiac ACDC数据集上验证，平均目标配准误差（TRE）为1.06毫米，处理时间为2.43秒，比现有方法显著提高了精度和效率。

相关研究：最近的相关研究包括利用深度学习方法进行图像配准，例如“End-to-end unsupervised deformable image registration with a convolutional neural network”和“Deep learning-based deformable image registration with metric learning”等。