计算机应用

作者：赵欣, 李鑫杰, 徐健, 刘步云, 毕祥

单位：大连大学 信息工程学院，辽宁 大连 116622

关键词：医学图像,图像配准,卷积神经网络,Transformer架构,轻量化卷积

基金：国家自然科学基金资助项目(61971424)

医学图像配准模型旨在建立图像间解剖位置的对应关系。传统的图像配准方法通过不断迭代获取形变场，耗费时间长且精度不高。深度神经网络不仅实现了端到端的形变场生成，加快了形变场的生成，而且进一步提升了图像配准的精度。针对目前的深度学习配准模型均采用单一的卷积神经网络（CNN）或Transformer架构，无法充分发挥CNN与Transformer结合的优势导致配准精度不足，以及图像配准后无法有效保持原始拓扑结构等问题，提出一种基于CNN与Transformer并行的医学图像配准模型PPCTNet（Parallel Processing of CNN and Transformer Network）。首先，选用目前配准精度优秀的Swin Transformer和极轻量化的CNN——LOCV-Net（Lightweight attentiOn-based ConVolutional Network）构建模型；其次，设计融合策略充分融合Swin Transformer与LOCV-Net提取的特征信息，使模型不仅拥有CNN的局部特征提取能力和Transformer的长距离依赖能力，还兼具轻量化的优势；最后，基于脑部磁共振成像（MRI）数据集，比较PPCTNet与10种经典图像配准模型。结果表明，相较于目前优秀的配准模型TransMorph （hybrid Transformer-ConvNet network for image registration），PPCTNet的最高配准精度提高了0.5个百分点，且形变场的折叠率下降了1.56个百分点，维持了配准图像的拓扑结构。此外，PPCTNet的参数量比TransMorph下降了10.39×106，计算量下降了278×109，体现了PPCTNet的轻量化优势。

来源：2024年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第12期