计算机应用

作者：姜勇维, 陈晓清, 付麟杰

单位：1.中国科学院 成都计算机应用研究所，成都 610213；2.中国科学院大学 计算机科学与技术学院 北京 100049

关键词：图像配准,医学图像处理,频谱分析,可逆神经网络,深度学习

基金：成都市科技局项目(20240321174430664)

弹性配准是医学图像处理中的关键任务之一，它的效果会直接影响到后续的分割、分类和预测等任务的准确性；然而，由于神经网络的高频不敏感特性，现有的方法难以捕捉图像的高频信息，这影响了配准场的拟合精度。为了解决这个问题，提出一种基于频谱分解的高频保持医学图像配准模型——DFRes （Decomposition in Frequency domain model for Registration）。该模型引入频谱分解策略，并采用双支结构处理原始图像中的高频信息和低频信息；同时，设计具有高频保持特性的可逆神经网络（INN）结构和具有高频低频融合能力的桥式特征融合模块，并通过交替的空间-频谱信息提取模块进一步加强模型对频域和空域信息的提取和融合能力。在IXI、OSSAI和华西直肠癌数据集上，DFRes与现有的先进模型对比的实验结果表明，DFRes在多个指标上取得了显著的提升。在IXI数据集上，相较于TransMorph模型，Dice相似系数（DSC）提高了2.5个百分点，平均表面距离（ASD）降低了0.012，而结构化相似性（SSIM）提高了1.6个百分点。同时，通过消融实验验证了模块设计的有效性。

来源：2026年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第3期