双参数流映射新框架免积分学习微分同胚配准，脑MRI Dice提升2.1%、肺CT误差降12%
Two-Parameter Flow Map Learning for Continuous-Time Diffeomorphic Image Registration
📖 AI 总结
本文提出一种用于连续时间微分同胚图像配准的双参数流映射学习框架。现有基于学习的微分同胚方法多通过参数化静态速度场建模自治常微分方程，并借助缩放-平方运算恢复形变；引入时间依赖速度的非自治方程虽能提升表达能力，却依赖数值积分隐式约束流结构，使模型表达能力与离散化精度相互纠缠。该研究转而直接学习非自治常微分方程的连续时间解，将其表述为双参数流映射，并通过强制满足余循环一致性这一时变流的基本结构性质，在训练中无需时间离散化与速度积分。推理阶段仅需少量复合即可恢复微分同胚映射。该框架可无缝接入标准配准骨干网络，在九个数据集上一致提升对齐精度并保持微分同胚结构，其中脑部MRI基准Dice平均提升2.1%，肺部CT的TRE降低12%，心脏MRI与超声数据集Dice提升2.6%。
🔑 关键词速览
| 微分同胚图像配准 | 一种医学图像配准方法，确保形变是可逆且平滑的，保持解剖结构的拓扑一致性。 |
| 非自治常微分方程 | 速度场随时间变化的常微分方程，相比自治方程具有更强的表达能力。 |
| 双参数流映射 | 一种描述连续时间流的映射，由起始时间和时间间隔两个参数决定，满足余循环一致性。 |
| 余循环一致性 | 时变流的基本结构性质，要求流映射的复合满足结合律，确保时间一致性。 |
| 缩放-平方 | 一种通过多次小步缩放和平方操作来近似计算微分同胚形变的技术。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅