基于改进跳跃连接和局部正则项的多特征提取SYMNet脑MRI配准

【摘要】：大脑是人体中的重要器官,核磁共振成像(Magnetic Resonance Imaging,MRI)对脑部软组织成分显像清晰,三维(Three Dimensions,3D)脑MRI图像单模配准算法的研究对临床应用有着重要价值。传统方法精度较高,但普遍存在算法复杂度高、配准时间长和普适性差的问题。深度学习方法精度高、实时性强,但大多忽略了配准的微分同胚性。基于对称微分同胚网络(Symmetric Diffeomorphic Neural Network,SYMNet)的配准算法,从两方面保证微分同胚性,同时无监督学习方式可避免数据标签标注的难点,但该算法仍存在以下三点不足:编码方式不能关注图像重要特征且提取特征较少导致配准精度低;局部正则项忽略零奇点导致微分同胚性差;跳跃连接将差异大的特征图直接结合降低配准精度。针对编码方式不能关注图像重要特征且提取特征较少导致配准精度低的问题,本文提出了基于多特征提取的SYMNet(Multi-Feature Extraction SYMNet,M-SYMNet)配准算法,在原编码通道中引入最大池化,同时增加一条由最大池化和空洞卷积构成的编码通道。针对局部正则项忽略零奇点导致微分同胚性差的问题,本文提出了基于改进局部正则项的多特征提取SYMNet(Improved Local regular term for Multi Feature Extraction SYMNet,LM-SYMNet)配准算法,在原局部正则项的基础上,将形变场中为零的点加入惩罚。针对跳跃连接将差异大的特征图直接结合降低配准精度的问题,本文提出了基于改进跳跃连接和局部正则项的多特征提取SYMNet(Improved Skip connections and Local regular term for Multi Feature Extraction,SLM-SYMNet)配准算法,使用间隔填充模块CCLN插入跳跃连接,将深层特征图和浅层特征图进行结合。实验证明,M-SYMNet中的多特征提取编码通道在提高配准效率的同时提升了配准精度,LM-SYMNet中的改进局部正则项使配准的精度和微分同胚性有所提升,SLM-SYMNet中的改进跳跃连接不仅能提升配准精度和微分同胚性,还能提升配准效率。