MDReg-Net：使用具有深度自监督的全卷积网络进行多分辨率同构图像配准

特定区域的纯度量映射

Region-specific Diffeomorphic Metric Mapping

UNC Chapel Hill（北卡罗来纳大学教堂山分校）；LIGM, UPEM（巴黎东马恩拉瓦莱大学信息、信号与系统实验室）

我们介绍了一个特定区域的非对称度量映射（RDMM）注册方法。RDMM是非参数的，估计时空速度场，其参数化所寻求的空间变换。这些速度场的正则化是必要的。然而，虽然现有的非参数配准方法，例如，在大位移双态度量映射（LDDMM）模型中，使用固定的空间不变正则化，我们的模型用估计的速度场对流空间变化的正则化器，从而自然地将时空正则化器附着到变形对象。我们探索了一系列RDMM配准方法：1）配准模型，其中预定义具有单独正则化的区域（例如，在图谱空间中），2）其中估计一般空间变化正则化子的配准模型，以及3）其中经由端到端训练的深度学习（DL）模型获得空间变化正则化子的配准模型。给出了RDMM的变分推导，证明了该模型能保证连续介质中的非纯变换，并证明了LDDMM是RDMM的一个特例。为了评估RDMM的性能，我们进行了以下实验：1）合成2D数据和2）两个3D数据集：骨关节炎倡议（OAI）的膝关节磁共振图像（MRI）和肺部的计算机断层扫描图像（CT）。结果表明，我们的框架实现了最先进的图像配准性能，同时通过学习的时空正则化提供额外的信息。此外，我们的深度学习方法允许非常快速的RDMM和LDDMM估计。我们的代码将是开源的。代码可在https://github.com/uncbiag/registration上获得。

2019-11-09cs.CV

基于神经速度场的同构图像配准

Diffeomorphic Image Registration with Neural Velocity Field

University of California, Irvine（加州大学欧文分校）；Yale University（耶鲁大学）

医学图像配准具有变换平滑和拓扑保持的特点，传统的配准方法对可允许的变换空间施加一定的建模约束，通过优化来寻找两幅图像之间的最优变换。确定可容许变换的正确空间具有挑战性：如果空间限制太多，则配准质量可能很差，而如果空间太一般，则难以解决优化问题。最近的基于学习的方法，利用深度神经网络来直接学习变换，实现快速推理，但由于难以捕获小的局部变形和泛化能力，因此在准确性方面面临挑战。在这里，我们提出了一种新的基于优化的方法命名为DNVF（神经速度场的同构图像配准），它利用深度神经网络建模的空间的容许变换。采用具有正弦激活函数的多层感知器（MLP）来表示连续的速度场，并为空间中的每一点分配一个速度矢量，从而提供了建模复杂变形的灵活性以及优化的方便性。此外，我们提出了一个级联的图像配准框架（Cas-DNVF），结合优化和学习的方法，其中一个完全卷积神经网络（FCN）进行训练，以预测初始变形的好处，其次是DNVF进一步细化。两个大规模的三维MR脑扫描数据集上的实验表明，我们提出的方法显着优于国家的最先进的配准方法。

2022-11-02cs.CV

基于拉普拉斯金字塔网络的大变形同态图像配准

Large Deformation Diffeomorphic Image Registration with Laplacian Pyramid Networks

The Hong Kong University of Science and Technology（香港科技大学）

最近，基于深度学习的方法在可变形图像配准方面取得了可喜的成果，可用于各种医学图像分析任务。然而，现有的基于深度学习的方法通常限于小变形设置，并且这些方法经常忽略变换的理想属性，包括双射映射和拓扑保持。在本文中，我们提出了一个深拉普拉斯金字塔图像配准网络，它可以解决图像配准优化问题，在一个粗略的形态映射空间内的方式。两个MR脑扫描数据集上的广泛的定量和定性评估表明，我们的方法优于现有的方法，同时保持理想的几何形态属性和有前途的配准速度的显着保证金。

2020-06-30cs.CVeess.IV

正雅可比矩阵：学习后处理矩阵指数的同态图像配准

Towards Positive Jacobian: Learn to Postprocess Diffeomorphic Image Registration with Matrix Exponential

University of Alberta（阿尔伯塔大学）

我们提出了一个后处理层的变形图像配准，使配准场更同构，鼓励雅可比变换为正。同构图像配准由于具有变换的可逆性、平滑性和网格的拓扑保持/非折叠性等特性，对于医学成像研究非常重要。违反这些属性可能导致在图像配准期间解剖结构的邻域和连通性的破坏。最近的大多数深度学习方法都没有明确地解决这个折叠问题，而是试图通过配准域上的平滑正则化来解决这个问题。在本文中，我们提出了一个可微层，它采取任何注册域作为其输入，计算指数的雅可比矩阵的输入和重建一个新的注册域从指数的雅可比矩阵使用泊松重建。我们提出的泊松重建损失强制执行最终配准字段的正雅可比矩阵。因此，我们的方法充当后处理层，本身没有任何可学习的参数，并且可以放置在任何深度学习管道的末端，以形成端到端的可学习框架。我们展示了我们提出的方法对流行的深度学习配准方法Voxelmorph的有效性，并使用包含3D脑部MRI扫描的数据集对其进行评估。我们的研究结果表明，我们的后处理可以有效地减少非正雅可比矩阵的数量显着量，而没有任何明显的配准精度恶化，从而使配准场更同构。我们的代码可在https://github.com/Soumyadeep-Pal/Diffeomorphic-Image-Registration-Postprocess上获得。

2022-02-01cs.CVeess.IV

利用半群正则化通过时间连续网络学习用于图像配准的微分同胚

Learning Diffeomorphism for Image Registration with Time-Continuous Networks using Semigroup Regularization

University of Alberta（阿尔伯塔大学）

针对三维医学图像配准，提出仅以半群性质正则化的时间连续网络，直接学习 ODE 流映射并保证逆与循环一致性，在四个数据集上取得更优拓扑保持和有竞争力的 Dice。

2025-03-16cs.CV

深度分组变分同态图像配准

Deep Group-wise Variational Diffeomorphic Image Registration

Quantib-U（Quantib-U公司）；Amsterdam University Medical Center（阿姆斯特丹大学医学中心）；University of Amsterdam（阿姆斯特丹大学）；University Medical Center Utrecht（乌得勒支大学医学中心）

深度神经网络越来越多地用于成对图像配准。我们建议扩展当前基于学习的图像配准，以允许同时配准多个图像。为了实现这一目标，我们以成对变分和微分同胚VoxelMorph方法为基础，并提出了一个通用数学框架，该框架既可以将多个图像配准到其测地线平均值，也可以将任何可用图像用作固定图像。此外，我们提供了一个可能性的基础上归一化的互信息，一个众所周知的图像相似性度量的注册，多个图像之间，和一个先验，允许显式控制的粘性流体能量，以有效地规范变形。我们使用在多个时间点采集的乳腺MRI和胸部4DCT检查的患者内配准来训练和评估我们的方法。与Elastix和VoxelMorph的比较证明了所提出的方法在图像相似性和参考地标距离方面具有竞争力的定量性能，并且配准速度明显更快。

2020-10-01cs.CVeess.IV

因子化Levenberg-马夸尔特法用于可微同构图像配准：一种高效的优化器用于FireANTs

Factored Levenberg-Marquardt for Diffeomorphic Image Registration: An efficient optimizer for FireANTs

Department of Computer and Information Science（计算机与信息科学系）；University of Pennsylvania（宾夕法尼亚大学）；Department of Electrical and Systems Engineering（电气与系统工程系）；Department of Radiology & Penn Image Computing and Science Laboratory (PICSL)（放射科及宾夕法尼亚大学图像计算与科学实验室（PICSL））；Perelman School of Medicine, University of Pennsylvania（佩尔曼医学学院，宾夕法尼亚大学）

本文提出一种改进的Levenberg-马夸尔特优化器，通过信任区域方法自适应调整单个标量阻尼参数，减少内存消耗并保持性能，适用于大体积图像和跨模态配准。

2026-03-19cs.CV

CLAIRE --用于大规模生物医学成像应用的简化同构图像配准

CLAIRE -- Parallelized Diffeomorphic Image Registration for Large-Scale Biomedical Imaging Applications

The University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Stuttgart（斯图加特大学）；University of Houston（休斯顿大学）

我们研究了CLAIRE的性能-一个同构多节点，多GPU图像配准算法和软件-在大规模生物医学成像应用中具有数十亿的体素。在这样的分辨率下，大多数现有的用于同构图像配准的软件包都非常昂贵。因此，从业者首先对原始图像进行显著的下采样，然后使用现有的工具进行配准。我们的主要贡献是对下采样对配准性能的影响进行了广泛的分析。我们通过比较CLAIRE获得的全分辨率配准与合成和真实世界成像数据集的低分辨率配准来研究这种影响。我们的研究结果表明，在全分辨率注册可以产生一个优越的注册质量-但并不总是。例如，将合成图像从$1024^3$下采样到$256^3$将Dice系数从92%减小到79%。然而，对于有噪声或低对比度的高分辨率图像，差异不太明显。CLAIRE使我们不仅可以在几秒钟内配准临床相关尺寸的图像，还可以在合理的时间内以前所未有的分辨率配准图像。考虑的最高分辨率是尺寸为$2816\times3016\times1162$的清晰度图像。据我们所知，这是第一次研究图像配准质量在这样的分辨率。

2022-09-16cs.CVcs.DC

一种用于微分同胚医学图像配准的对称动态学习框架

A Symmetric Dynamic Learning Framework for Diffeomorphic Medical Image Registration

Xiangtan University（湘潭大学）；University of Strathclyde（思克莱德大学）；Nankai University（南开大学）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；University of Manchester（曼彻斯特大学）

该研究提出DCCNN-LSTM-Reg动态学习框架，结合CNN-LSTM与控制增量机制，在五个尺度上实现对称微分同胚配准，实验表明其性能优于现有方法。

2024-11-05cs.CVeess.IV

无监督学习空间变化的正则化用于变形图像配准

Unsupervised learning of spatially varying regularization for diffeomorphic image registration

Department of Radiology and Radiological Science, Johns Hopkins School of Medicine, MD, USA（放射科与放射科学系，约翰霍普金斯医学院，马里兰州，美国）；Image Analysis and Communications Laboratory, Department of Electrical and Computer Engineering, Johns Hopkins University, MD, USA（图像分析与通信实验室，电气与计算机工程系，约翰霍普金斯大学，马里兰州，美国）；Department of Electrical and Computer Engineering, Vanderbilt University, TN, USA（电气与计算机工程系，范德比尔特大学，田纳西州，美国）；NVIDIA Corporation, Santa Clara, CA, USA（英伟达公司，圣克拉拉，加利福尼亚州，美国）

本文提出一种分层概率模型，通过端到端学习空间变化的正则化，提升图像配准性能并增强可解释性。

2025-11-20cs.CV

DDR-Net：分割与下采样混合网络的同构图像配准

DDR-Net: Dividing and Downsampling Mixed Network for Diffeomorphic Image Registration

University of Georgia（佐治亚大学）；Shanghai Jiao Tong University（上海交通大学）

对于高维图像，深度同构配准面临着巨大的挑战，特别是在内存限制方面。现有的方法要么对原始图像进行下采样，要么近似底层变换，要么减小模型大小。近似过程中的信息丢失或模型容量不足是对高维图像配准精度的阻碍，例如，3D医学卷。在本文中，我们提出了一种划分和下采样混合配准网络（DDR-Net），这是一种通用架构，可以在多个尺度上保留大部分图像信息。DDR-Net通过对输入进行下采样来利用全局上下文，并利用来自输入图像的分割块的局部细节。这种设计减少了网络的输入规模和内存开销;同时，通过融合全局和局部信息，DDR-Net在最终变形场中获得粗级和细级对齐。我们在三个公共数据集上评估DDR-Net，即，OASIS、IBSR 18和3DIRCADB-01的实验结果表明，该方法优于现有方法。

2021-05-24cs.CVeess.IV

带松弛雅可比行列式约束的微分同胚图像配准双变量变分模型

A Bi-variant Variational Model for Diffeomorphic Image Registration with Relaxed Jacobian Determinant Constraints

School of Mathematics and Computational Science（数学与计算科学学院）；University of Strathclyde（思克莱德大学）；Academy of Mathematics and Systems Science（数学与系统科学研究院）；Chinese Academy of Sciences（中国科学院）；National Center for Applied Mathematics in Hunan（湖南省应用数学中心）；Xiangtan University（湘潭大学）

针对微分同胚图像配准中逐点体保持约束在大局部形变场景下过于严格的问题，提出带松弛雅可比行列式软约束的双变量变分模型，设计带多层策略的惩罚分裂算法，在保证配准精度的同时提升大形变下的配准性能。

2024-03-10cs.CV

用于同态图像配准中正则化预测的深度学习

Deep Learning for Regularization Prediction in Diffeomorphic Image Registration

University of Virginia（弗吉尼亚大学）

本文提出了一种用于自同构图像配准正则化参数估计的预测模型。我们介绍了一种新的框架，自动确定控制光滑的非纯变换的参数。我们的方法显着减少了参数调整的努力，这是耗时耗力的。为了实现这一目标，我们开发了一个基于深度卷积神经网络（CNN）的预测模型，该模型学习成对图像之间的映射和图像配准的正则化参数。与以前在高维图像空间中估计这些参数的方法相反，我们的模型建立在一个有效的带限空间中，具有低得多的维度。我们证明了我们的模型在2D合成数据和3D真实脑图像上的有效性。实验结果表明，我们的模型不仅预测适当的正则化参数的图像配准，但也提高了网络训练的时间和内存效率。

2022-02-04cs.CVcs.LGeess.IV

VPREG：基于变分原理网格生成方法的微分同胚图像配准的最优控制公式

VPREG: An Optimal Control Formulation for Diffeomorphic Image Registration Based on the Variational Principle Grid Generation Method

Department of Pharmacology and Neuroscience, University of North Texas Health Science Center（药理学与神经科学系，北德克萨斯健康科学中心大学）；Department of Mathematics, University of Texas at Arlington（数学系，德克萨斯大学阿灵顿分校）；Department of Mathematics, University of Houston（数学系，休斯顿大学）

本文提出VPreg，一种基于变分原理网格生成的微分同胚图像配准方法，通过保证正雅可比行列式和精确逆变换，在Dice分数和正则性上优于现有方法。

2025-10-15cs.CVmath.OC

不确定性感知的逆一致微分同胚肺图像配准测试时自适应

Uncertainty-Aware Test-Time Adaptation for Inverse Consistent Diffeomorphic Lung Image Registration

提出一种不确定性感知的测试时自适应框架，利用MC dropout估计空间不确定性，在675名受试者数据上提升了吸气与呼气肺CT配准的逆一致性与DSC，显著优于VoxelMorph和TransMorph。

2024-11-12cs.CVcs.LGeess.IV

从优化中学习可变形图像配准：透视，模块，双层训练及其他

Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond

Dalian University of Technology（大连理工大学）；Guilin University of Electronic Technology（桂林电子科技大学）；Children’s Hospital of Philadelphia（费城儿童医院）；University of Pennsylvania（宾夕法尼亚大学）

传统的可变形配准方法旨在求解在图像对上精心设计的优化模型，其计算成本非常高。相比之下，最近的基于深度学习的方法可以提供快速变形估计。这些启发式网络架构是完全数据驱动的，因此缺乏明确的几何约束，例如，拓扑保持，这是必不可少的产生合理的变形。我们设计了一个新的基于深度学习的框架，通过多尺度传播来优化同构模型，以整合这两类方法的优点并避免其局限性。具体来说，我们引入了一个通用的优化模型来制定同构注册，并开发了一系列可学习的架构，以获得传播更新的粗到细的特征空间。此外，我们提出了一种新的双层自调整训练策略，允许有效搜索任务特定的超参数。这种训练策略增加了对各种类型数据的灵活性，同时减少了计算和人力负担。我们在3D体数据集上进行了两组图像配准实验，包括脑MRI数据的图像到图谱的配准和肝脏CT数据的图像到图像的配准。大量的结果表明，国家的最先进的性能，所提出的方法与同构保证和极端的效率。我们还将我们的框架应用于具有挑战性的多模态图像配准，并研究我们的配准如何支持医学图像分析的下游任务，包括多模态融合和图像分割。

2021-09-30cs.CV

基于高阶空间精度的同构图像配准

Higher-order Spatial Accuracy in Diffeomorphic Image Registration

Imperial College London（帝国理工学院）；University of Copenhagen（哥本哈根大学）

我们离散化的成本功能的图像配准问题，通过推导泰勒展开的匹配项。离散化代价泛函的极小值可以在没有空间离散误差的情况下计算，并且最优解等价于$k$ -喷流空间中的最小能量曲线。我们表明，解决方案收敛到最优解的原始成本功能的粒子数的增加，其中$h$是一个分辨率参数的收敛速度为$O(h^{d+k})$。这种方法比传统的粒子方法的效果说明合成的例子和真实图像。

2015-06-04cs.CVmath.DGmath.OC

具有大变形的间接图像配准

Indirect Image Registration with Large Diffeomorphic Deformations

Department of Mathematics, KTH–Royal Institute of Technology（数学系，皇家理工学院）；LSEC, ICMSEC, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（数学和系统科学研究所，中国科学院）

本文提出了一种基于大变形可微映射框架的间接图像配准方法，解决了在间接噪声观测下模板与目标的配准问题，并证明了该方法在数据误差趋近于零时的稳定性与收敛性。

2017-10-11cs.CVcs.NAmath.DS

使用联合泊松反卷积和微分同胚配准的贝叶斯体内突触追踪

Bayesian In Vivo Tracking of Synapses using Joint Poisson Deconvolution and Diffeomorphic Registration

Department of Biomedical Engineering, Johns Hopkins University（约翰霍普金斯大学生物医学工程系）；Department of Neuroscience, Johns Hopkins University（约翰霍普金斯大学神经科学系）；Kavli Neuroscience Discovery Institute, Johns Hopkins University（约翰霍普金斯大学Kavli神经科学发现研究所）；Data Science and AI Institute, Johns Hopkins University（约翰霍普金斯大学数据科学与人工智能研究所）；Department of Applied Mathematics and Statistics, Johns Hopkins University（约翰霍普金斯大学应用数学与统计学系）

提出一种基于模板的贝叶斯框架，通过联合泊松反卷积和微分同胚配准，同时实现突触检测、去噪、荧光强度推断、组织运动校正和置信区间估计，用于低信噪比体内显微镜数据中的突触追踪。

2026-05-26cs.CV

快速预测图像配准

Fast Predictive Image Registration

UNC Chapel Hill（北卡罗来纳大学教堂山分校）；University of Salzburg（萨尔茨堡大学）

我们提出了一种方法来预测图像变形的基础上分块的图像外观。具体来说，我们设计了一个基于补丁的深度编码器-解码器网络，它学习图像外观和配准参数之间的像素/体素映射。我们的方法可以预测一般的变形参数化，但是，我们专注于大变形几何度量映射（LDDMM）配准模型。通过预测LDDMM动量参数化，我们保留了LDDMM理想的理论特性，同时将计算时间减少了几个数量级：与补丁修剪相结合，我们实现了与基于GPU的2D/3D图像配准优化相比1500倍/66倍的速度提升。我们的方法具有更好的预测精度比预测变形或速度场，并在非纯变换的结果。此外，我们创建了一个贝叶斯概率版本的网络，它允许通过Monte Carlo采样在测试时使用dropout来评估变形场的不确定性。我们发现，变形的不确定性突出了模糊变形的区域。我们在2D和3D的OASIS脑图像数据集上测试了我们的方法。

2016-07-08cs.CV

使用变形场的参数化的无监督仿形心脏图像配准

Unsupervised diffeomorphic cardiac image registration using parameterization of the deformation field

University of Alberta（阿尔伯塔大学）

提出了一种基于运动网格参数化的端到端无监督同构变形配准框架。利用这种参数化方法，可以用变形场的变换雅可比行列式和末端速度场的旋度来模拟变形场。变形场的新模型有三个重要的优点：首先，它放松了对显式正则化项和代价函数中相应权重的需要。平滑度隐式地嵌入在解中，这导致物理上合理的变形场。其次，它通过对变换雅可比行列式施加显式约束以保持其为正，从而保证非同态性。最后，它适用于心脏数据处理，因为这种参数化的性质是根据径向和旋转分量来定义变形场。该算法的有效性进行了研究，通过评估所提出的方法在三个不同的数据集，包括2D和3D心脏MRI扫描。结果表明，所提出的框架优于现有的基于学习和非基于学习的方法，同时产生同构变换。

2022-08-28cs.CVcs.LGeess.IV

Nesterov加速的ADMM快速同构图像配准

Nesterov Accelerated ADMM for Fast Diffeomorphic Image Registration

School of Computer Science, University of Birmingham（伯明翰大学计算机学院）；Institute of Cardiovascular Sciences, University of Birmingham（伯明翰大学心血管科学研究所）；MRC London Institute of Medical Sciences, Imperial College London（帝国理工学院伦敦医学研究委员会医学科学研究所）；Institute of Cancer and Genomic Sciences, University of Birmingham（伯明翰大学癌症与基因组科学研究所）

使用迭代优化的确定性方法在非纯图像配准（DiffIR）中已经取得了历史性的成功。虽然这些方法是高度准确的，但它们通常具有显著的计算负担。基于深度学习的随机方法的最新发展已经实现了DiffIR的亚秒级运行时间，具有竞争力的配准精度，为传统的迭代法提供了快速替代方案。在本文中，我们试图减少这种差异的速度，同时保留性能优势的迭代方法在DiffIR。首先，我们提出了一个简单的迭代方案，功能组成中间的非平稳速度场来处理图像中的大变形，同时保证在所得到的变形的仿射。然后，我们提出了一个凸优化模型，使用正则化项的任意顺序施加平滑这些速度场和解决这个模型的快速算法相结合的Nesterov梯度下降和交替方向的乘法器（ADMM）。最后，我们利用GPU的计算能力在3D心脏MRI数据集上实现了这种加速的ADMM求解器，进一步将运行时间缩短到不到2秒。除了产生严格的同构变形外，我们的方法在骰子和Hausdorff分数方面优于最先进的基于深度学习的方法和迭代DiffIR方法，速度接近基于深度学习的方法的推理时间。

2021-09-26cs.CVmath.DS

一种无训练递归多分辨率的同态变形图像配准框架

A training-free recursive multiresolution framework for diffeomorphic deformable image registration

University of Alberta（阿尔伯塔大学）；Servier Virtual Cardiac Centre（施维雅虚拟心脏中心）；Mazankowski Alberta Heart Institute（马赞科夫斯基阿尔伯塔心脏研究所）

微分变形图像配准是医学图像分析中的关键任务之一，其目的是在保持变换的拓扑结构和可逆性的同时找到唯一的变换。深度卷积神经网络（CNN）通过从大型数据集中学习变换先验，已经产生了非常适合图像配准的方法。这些方法性能的提高与它们从难以获得的几个样本医学图像中学习信息的能力有关，并且使框架偏向于特定的数据域。在本文中，我们提出了一种新的非纯训练的方法，这是建立在一个常微分方程的原则。我们的配方产生一个欧拉积分型递归计划，以估计在不同分辨率的固定和移动图像金字塔之间的空间变换的变化。所提出的架构设计简单。运动图像在每个分辨率下连续变形，最后与固定图像对齐;这个过程是递归的，在每个分辨率下，全卷积网络（FCN）对当前变形图像的变形的渐进变化进行建模。整个系统是端到端的，并从头开始为每对图像进行优化。与基于学习的方法相比，该方法既不需要专门的训练集，也不存在任何训练偏差。我们在三个心脏图像数据集上评估了我们的方法。评估结果表明，该方法达到了国家的最先进的配准精度，同时保持理想的仿形属性。

2022-02-01cs.CVcs.LGeess.IV

基于半拉格朗日两层预处理Newton-Krylov算法的约束同构图像配准

A Semi-Lagrangian two-level preconditioned Newton-Krylov solver for constrained diffeomorphic image registration

The Institute for Computational Engineering and Sciences, The University of Texas at Austin（得克萨斯大学奥斯汀分校计算工程与科学研究所）；Department of Mathematics at the University of Houston（休斯顿大学数学系）

本文提出了一种有效的数值算法来解决非纯图像配准问题。我们使用一个变分公式约束的偏微分方程（PDE），其中的约束是一个标量输运方程。我们使用一个伪谱离散空间和二阶精度的半拉格朗日时间步进格式的输运方程。我们解决了一个固定的速度场使用预处理，全球化，无矩阵的牛顿-克雷洛夫计划。我们提出并测试了一个两级Hessian预条件子。我们考虑两种策略，用于反演粗网格上的预条件：嵌套预条件共轭梯度法（精确求解）和嵌套Chebyshev迭代法（不精确求解）与固定的迭代次数。我们测试我们的求解器在不同的合成和现实世界的二维应用场景的性能。我们研究了新格式的网格收敛性和计算效率。我们比较我们的求解器的性能对我们的初始实现，使用相同的空间离散化，但一个标准的，明确的，二阶龙格-库塔格式的数值时间积分的输运方程和单级预处理。我们的改进方案提供了显着的加速比我们原来的实现。作为一个亮点，我们观察到一个20 $\times$加速二维，现实世界的多学科医学图像配准问题。

2018-02-28cs.CVmath.OC

基于微分同胚Transformer的腹部MRI-CT可变形图像配准

Diffeomorphic Transformer-based Abdomen MRI-CT Deformable Image Registration

Emory University（埃默里大学）；Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心）

本文提出一种基于微分同胚Transformer的腹部MRI-CT可变形图像配准方法，通过融合Swin transformers与CNN提取保持拓扑的形变特征，显著提升了肝脏和门静脉的配准精度，可用于肝脏放疗计划。

2024-05-04cs.CVphysics.med-ph

CLAIRE：一种约束大变形同构图像配准的分布式内存求解器

CLAIRE: A distributed-memory solver for constrained large deformation diffeomorphic image registration

University of Houston（休斯顿大学）；University of California, Berkeley（加州大学伯克利分校）；University of Pennsylvania（宾夕法尼亚大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）

有了这项工作，我们发布CLAIRE，一个有效的求解器约束大变形同构图像配准问题的三维分布式内存实现。我们考虑一个最优控制公式。我们反演一个固定的速度场，参数化的变形地图。我们的求解器是基于一个全球化的，预处理的，不精确的减少空间高斯-牛顿-克雷洛夫计划。我们利用科学计算中最先进的技术来开发一个有效的求解器，可以扩展到高端集群上的数千个分布式内存节点。我们提出的配方，讨论算法的特点，描述的软件包，并介绍了一个改进的预处理器的减少空间海森，以加快我们的求解器的收敛。我们在合成数据和真实数据上测试配准性能。我们在几个神经成像数据集上证明了配准精度。我们比较了我们的计划对不同口味的恶魔算法的非纯图像配准的性能。我们研究我们的预条件和我们的整体算法的收敛性。我们报告了最先进的超级计算平台上的可扩展性结果。我们证明，我们可以解决临床相关的数据大小在两到四分钟内在一个标准的计算节点与20个核心，实现出色的数据保真度的配准问题。与目前的工作，我们实现了加速（平均）5 $\times$的峰值性能高达17 $\times$相比，我们以前的工作。

2019-12-09cs.CVcs.DCcs.NA

Quicksilver：快速预测图像配准-一种深度学习方法

Quicksilver: Fast Predictive Image Registration - a Deep Learning Approach

University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Biomedical Research Imaging Center (BRIC)（生物医学研究成像中心）；UNC Chapel Hill（北卡罗来纳大学教堂山分校）；University of Salzburg（萨尔茨堡大学）

介绍了一种快速变形图像配准方法Quicksilver。Quicksilver图像对配准通过直接基于图像外观的变形模型的逐块预测来工作。使用深度编码器-解码器网络作为预测模型。虽然预测策略是一般的，我们专注于预测的大变形超纯度量映射（LDDMM）模型。具体来说，我们预测的动量参数化LDDMM，这有利于一个补丁式的预测策略，同时保持LDDMM的理论属性，如保证足够强的正则化的同构映射。我们还提供了我们的预测网络的概率版本，可以在测试期间进行采样，以计算预测变形的不确定性。最后，我们引入了一个新的校正网络，大大提高了现有预测网络的预测精度。我们展示了单模态图谱到图像以及单模态/多模态图像到图像配准的实验结果。这些实验表明，我们的方法可以准确地预测通过数值优化获得的配准，速度非常快，在四个标准验证数据集上实现了最先进的配准结果，并且可以联合学习图像相似性度量。Quicksilver是一个免费的开源软件。

2017-07-19cs.CV

基于约束$H^1$ -正则化方法的同构图像配准

Constrained $H^1$-regularization schemes for diffeomorphic image registration

The Institute for Computational Engineering and Sciences, The University of Texas at Austin（德克萨斯大学奥斯汀分校计算工程与科学研究所）

我们提出了正则化方案的变形登记和有效的算法，其数值逼近。我们把图像配准作为一个变分最优控制问题。变形图由其速度参数化。Tikhonov正则化确保适定性。我们的计划增加了标准的光滑正则化算子的基础上$H^1$ -和$H^2$ -规范的速度场，这类似于斯托克斯不可压缩流的变分制剂的发散的约束。在我们的公式中，我们反演了一个稳定的速度场和一个质量源映射。这使我们能够显式地控制变形图的可压缩性，并通过该可压缩性来控制变形梯度的决定因素。我们还介绍了一个新的正则化方案，使我们能够控制剪切。我们使用一个全球化的，预处理，矩阵自由，减少空间（高斯-）牛顿-Krylov计划的数值优化。我们利用变量消除技术，以减少我们的系统的未知数的数量，我们只在约化空间的速度场。我们目前的实现仅限于二维情况。数值实验表明，我们可以控制变形梯度的行列式，而不影响配准质量。这个额外的控制允许我们避免变形贴图的过度平滑。我们还表明，我们可以促进或惩罚剪切，同时控制变形梯度的决定因素。

2016-09-07cs.CVmath.OC

保持质量和强度的双纯图像配准的Lagrangian Gauss-Newton-Krylov算法

A Lagrangian Gauss-Newton-Krylov Solver for Mass- and Intensity-Preserving Diffeomorphic Image Registration

Institute for Computational Engineering and Sciences, University of Texas at Austin（德克萨斯大学奥斯汀分校计算工程与科学研究所）；Department of Mathematics and Computer Science, Emory University（埃默里大学数学与计算机科学系）

我们提出了一个有效的求解器的大变形几何纯度量映射（LDDMM）的框架内的几何纯图像配准问题。我们使用最优控制公式，其中需要找到双曲型偏微分方程的速度场，使得系统的最终状态（变换/传输的模板图像）和观察结果（参考图像）之间的距离最小化。我们的求解器支持静态和非静态（即，瞬态或时间相关的）速度场。作为变换模型，我们考虑了输运方程（假设在变形过程中强度保持不变）和连续性方程（假设质量保持不变）。我们考虑的最优控制问题的简化形式，并解决了由此产生的无约束优化问题，使用离散化，然后优化的方法。一个关键的贡献是消除偏微分方程的约束，使用拉格朗日双曲偏微分方程求解器。拉格朗日方法依赖于特征曲线的概念，我们在这里使用四阶龙格库塔方法近似。我们还提出了一个有效的算法计算的导数的最终状态的系统的速度场。这允许我们使用基于高斯-牛顿的快速方法。我们提出了快速收敛的迭代线性求解器，使用频谱预处理器，使整体优化的效率和可扩展性。我们的方法被嵌入到图像配准框架FAIR，因此，支持最常用的相似性度量和正则化泛函。我们展示了我们的新方法的潜力，使用几个合成和现实世界的测试问题高达1470万自由度。

2017-07-12cs.CEcs.CV

基于拟共形几何的同构映射问题的深度学习框架

A Deep Learning Framework for Diffeomorphic Mapping Problems via Quasi-conformal Geometry applied to Imaging

The Chinese University of Hong Kong（香港中文大学）

许多成像问题可以用映射问题来表示。一般的映射问题的目的是获得最优映射，最小化的能量功能受到给定的约束。现有的方法来解决映射问题往往是低效的，有时会陷入局部极小值。当要求最优映射是同构映射时，会出现额外的挑战。在这项工作中，我们通过提出一个基于准共形（QC）Teichmuller理论的深度学习框架来解决这个问题。主要策略是学习Beltrami系数（BC），其表示作为深层神经网络中的潜在特征向量的映射。BC测量映射下的局部几何失真，利用其可以增强深层神经网络的可解释性。在此框架下，映射的非纯性可以通过网络中的简单激活函数来控制。最优映射也可以通过将BC集成到损失函数中来容易地正则化。所提出的框架的一个关键优点是，一旦网络被成功训练，就可以实时的获得与每个输入数据信息相对应的优化映射。为了检验所提出的框架的有效性，我们将该方法应用于同构图像配准问题。实验结果优于其他国家的最先进的配准算法在效率和准确性，这表明我们提出的框架来解决映射问题的有效性。

2022-08-13cs.CV

分布式记忆大变形仿形三维图像配准

Distributed-memory large deformation diffeomorphic 3D image registration

The University of Texas at Austin（德克萨斯大学奥斯汀分校）

我们提出了一个并行的分布式存储器算法的体积图像，产生大的等容变形（局部体积保持）的大变形的几何配准。图像配准是医学图像分析中的一项关键技术。我们的算法使用偏微分方程约束的最优控制制定。找到最佳变形图需要解决一个高度非线性的问题，该问题涉及伪微分算子、双调和算子和纯平流算子，在时间上向前和向后。一个关键的问题是解决的时间，这就需要有效的优化方法以及有效利用高性能计算资源。为了解决这个问题，我们使用一个预处理的，不精确的，高斯-牛顿-克雷洛夫求解器。我们的算法集成了几个组成部分：空间上的谱离散化，时间上的半拉格朗日公式，解析伴随，不同的正则化泛函（包括体积保持的），谱预处理器，高度优化的分布式快速傅立叶变换，以及用于半拉格朗日时间步进的三次插值方案。我们证明了我们的算法的可扩展性图像分辨率高达$1024^3$的“小牛”和“踩踏”系统在得克萨斯州高级计算中心（TACC）。医学成像应用领域的关键问题是强缩放，即解决中等大小的$256^3$（医学图像的典型分辨率）的配准问题。我们能够在TACC的“Maverick”系统的64个x86节点上在不到5秒的时间内解决这种大小的图像的配准问题。

2016-08-11cs.CVcs.DCmath.OC

CortexMorph：基于VoxelMorph的微分同胚配准快速皮质厚度估计

CortexMorph: fast cortical thickness estimation via diffeomorphic registration using VoxelMorph

Support Center for Advanced Neuroimaging (SCAN)（高级神经影像支持中心（SCAN））；University Institute of Diagnostic and Interventional Neuroradiology（诊断与介入神经放射学大学研究所）；Inselspital, Bern University Hospital（伯尔尼大学医院 Inselspital）

针对现有DiReCT皮质厚度估计方法速度慢的问题，提出CortexMorph方法，用无监督深度学习直接回归DiReCT所需形变场，结合深度学习分割模型可秒级估计T1加权图像的区域皮质厚度且保留萎缩检测能力，并在相关数据集和体模上完成验证。

2023-07-21cs.CVeess.IVq-bio.QM

一阶滑动：不连续图像配准的高阶动量分布

Sliding at first order: Higher-order momentum distributions for discontinuous image registration

Shanghai University（上海大学）；University of Copenhagen（哥本哈根大学）

在本文中，我们提出了一种新的方法来变形图像配准，捕捉滑动运动。大变形几何度量映射（LDDMM）配准方法在表示滑动运动时面临挑战，因为它每次构造都会产生平滑的翘曲。为了解决这个问题，我们将零阶和一阶动量与不可微内核扩展LDDMM。这允许表示在切换边界处的不连续变形和均匀区域中的非均匀变形。我们提供了一个数学分析的变形模型从不连续系统的观点。为了评估我们的方法，我们对人工图像和公开的DIR-Lab 4DCT数据集进行了实验。结果表明，我们的方法在捕捉合理的滑动运动的有效性。

2023-03-14cs.CVmath.OC

基于半拉格朗日方法的变形图像配准

Metamorphic image registration using a semi-Lagrangian scheme

Université de Paris（巴黎大学）；Télécom Paris（巴黎电信学院）；IPParis（巴黎理工学院）

在本文中，我们提出了一种实现大变形几何度量映射（LDDMM）和变形图像配准使用半拉格朗日计划测地线拍摄。我们建议解决这两个问题作为一个不精确的匹配提供一个单一的和统一的成本函数。我们证明，对于图像配准的半拉格朗日计划的使用是更稳定的比一个标准的欧拉计划。我们的GPU实现基于PyTorch，由于其强大的自动微分引擎，大大简化和加速了计算。它将在https://github.com/antonfrancois/Demeter_metamorphosis上免费提供。

2021-06-16cs.CV

MetaRegNet：基于流驱动残差网络的变形图像配准

MetaRegNet: Metamorphic Image Registration Using Flow-Driven Residual Networks

University of Georgia（佐治亚大学）；Shanghai Jiao Tong University（上海交通大学）

基于深度学习的方法为医学图像配准提供了有效的解决方案，包括同构图像配准的挑战性问题。然而，大多数方法配准正常图像对，面临着处理具有缺失对应性的图像对的困难，例如，在肿瘤等病变的情况下。我们希望有一种有效的解决方案来共同考虑对应性缺失的病理区域中的空间变形和外观变化，即，找到变形图像配准的解决方案。提出了一些方法来解决这个问题，但它们不能正确地处理大的病理区域和病理周围的变形。在本文中，我们提出了一个深变形图像配准网络（MetaRegNet），它采用时变流来驱动空间变形和产生强度变化。我们在两个数据集上评估MetaRegNet，即，BraTS 2021与脑肿瘤和3D-IRCADb-01与肝肿瘤，在配准健康和肿瘤图像对方面显示出有希望的结果。源代码可在线获得。

2023-03-16cs.CVeess.IV

使用具有深度自监督的全卷积网络进行非刚性图像配准

Non-rigid image registration using fully convolutional networks with deep self-supervision

University of Pennsylvania（宾夕法尼亚大学）

我们提出了一种新的非刚性图像配准算法，该算法建立在全卷积网络（FCN）上，以优化和学习待配准图像对之间的空间变换。与大多数现有的基于深度学习的图像配准方法不同，这些方法从具有已知对应空间变换的训练数据学习空间变换，我们的方法通过最大化固定和变形运动图像之间的图像相似性度量来直接估计图像对之间的空间变换，类似于传统的图像配准算法。同时，我们的方法还学习了用于在待配准图像的相同空间分辨率下编码空间变换的FCN，而不是学习粗粒度的空间变换信息。图像配准在多分辨率图像配准框架中实现，以通过典型的前馈和反向传播计算，通过深度自我监督，联合优化和学习不同分辨率的空间变换和FCN。由于我们的方法同时优化和学习图像配准的空间变换，我们的方法可以直接用于配准一对图像，一组图像的配准也是一个训练过程的FCNs，使训练的FCNs可以直接采用新的图像通过前馈计算学习的FCNs没有任何优化。所提出的方法已被评估为注册三维结构脑磁共振（MR）图像，并获得了更好的性能比国家的最先进的图像配准算法。

2017-09-04cs.CV

一种断续图像配准的微分同胚群和李代数框架

A Diffeomorphism Groupoid and Algebroid Framework for Discontinuous Image Registration

本文提出了一种新的数学框架，利用微分同胚群和李代数方法处理断续滑动运动的分段微分同胚图像配准。

2026-04-29cs.CVmath.GR

度量学习在图像配准中的应用

Metric Learning for Image Registration

UNC Chapel Hill（北卡罗来纳大学教堂山分校）；University of Salzburg（萨尔茨堡大学）；LIGM, UPEM（巴黎东部马恩-拉瓦雷大学 LIGM 实验室）

图像配准是医学图像分析中的一项关键技术，用于估计图像对之间的形变。良好的变形模型对于高质量的估计非常重要。然而，大多数现有的方法使用的ad-hoc变形模型选择的数学方便，而不是捕捉观测数据的变化。最近的深度学习方法直接从数据中学习变形模型。然而，它们对变换的空间规律性提供有限的控制。我们不是学习整个配准方法，而是在配准模型中学习空间自适应正则化器。这允许控制期望的规则性水平并保持配准模型的结构属性。例如，可以实现非纯变换。我们的方法与现有的深度学习图像配准方法有着根本的不同，我们在基于优化的配准算法中嵌入了一个深度学习模型，以参数化和数据自适应配准模型本身。

2019-04-21cs.CV

一种非精确Newton-Krylov约束同构图像配准算法

An inexact Newton-Krylov algorithm for constrained diffeomorphic image registration

The University of Texas at Austin（德克萨斯大学奥斯汀分校）

我们提出了解决大变形几何图像配准问题的数值算法。我们将非刚性图像配准问题转化为一个最优控制问题。这导致了一个无限维偏微分方程（PDE）约束的最优化问题。PDE约束，在其最简单的形式，一个双曲传输方程的图像强度的演变。控制变量是速度场。控制上的Tikhonov正则化确保适定性。我们考虑基于$H^1$ -或$H^2$ -范数的标准平滑正则化。我们增加了这个正则化方案的速度场的发散性的约束，使变形不可压缩，从而确保变形梯度的行列式等于一，直到数值误差。我们使用傅立叶伪谱离散空间和切比雪夫伪谱离散时间。我们使用预处理，全球化，矩阵自由，不精确的牛顿-克雷洛夫方法进行数值优化。设计了一种参数延拓方法来估计最优正则化参数。通过控制变形场的几何特性来确保规则性。总的来说，我们得到了一个黑盒解决方案。我们研究了Hessian格式的谱性质、网格收敛性、数值精度、计算效率和变形规律。我们比较设计的牛顿-克雷洛夫方法与全球化的预条件梯度下降。我们研究了不同数量的未知量的影响。报告的结果表明，优良的数值精度，保证局部变形规律，和计算效率与局部质量守恒的可选控制。如果需要高精度的反演，Newton-Krylov方法明显优于Picard方法。

2015-05-07cs.CVcs.NAmath.NA

MORPH-LER：面向群体感知图像配准的对数-欧几里得正则化

MORPH-LER: Log-Euclidean Regularization for Population-Aware Image Registration

Karlert School of Computing, University of Utah（犹他大学卡尔尔特计算学院）；Scientific Computing and Imaging Institute, University of Utah（犹他大学科学计算与成像研究所）；Biomedical Engineering Department, University of Utah（犹他大学生物医学工程系）

MORPH-LER提出对数-欧几里得正则化框架，通过从空间变换中学习群体形态计量学并构建线性化潜在空间，在保持微分同胚性质和逆一致性的同时，为无监督图像配准网络提供群体感知的正则化引导，在OASIS-1数据集上验证了其解剖准确性和计算效率。

2025-07-03cs.CVcs.LG

基于随机梯度马尔可夫链蒙特卡罗的非刚性图像配准不确定性量化

Uncertainty quantification in non-rigid image registration via stochastic gradient Markov chain Monte Carlo

Imperial College London（帝国理工学院）；Technische Universität München（慕尼黑工业大学）；Sharif University of Technology（谢里夫理工大学）；Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）

我们开发了一个新的贝叶斯模型的三维医学图像的非刚性配准，重点是不确定性量化。由于计算和建模的原因，用校准的不确定性估计对大图像进行概率配准是困难的。为了解决计算问题，我们探索马尔可夫链蒙特卡罗反向传播和变分推理反向传播框架之间的连接，以有效地从后验分布的变换参数提取样本。为了解决建模问题，我们制定了一个贝叶斯模型的图像配准，克服了现有的障碍时，使用密集的，高维的，同构变换参数化。这导致不确定性估计的改进校准。我们将该模型在图像配准精度和不确定性量化方面与VoxelMorph进行了比较，VoxelMorph是一种基于深度学习的最先进的图像配准模型。

2021-10-25cs.CV

多模态图像配准的表示学习可以通过监督中间层来改进吗？

Can representation learning for multimodal image registration be improved by supervision of intermediate layers?

Uppsala University（乌普萨拉大学）

多模态成像和相关分析通常需要图像对准。对比学习可以生成多模态图像的表示，将多模态图像配准的挑战性任务减少到单模态。以前，在对比学习中对中间层的额外监督已经改进了生物医学图像分类。我们评估了类似的方法是否可以改进注册学习的表示，以提高注册性能。我们探索了三种方法来增加对比监督的潜在功能的瓶颈层的U-Nets编码的多模态图像和评估三个不同的批评功能。我们的研究结果表明，在没有对潜在特征进行额外监督的情况下学习的表示在两个公共生物医学数据集的注册下游任务中表现最好。我们研究的性能下降，利用最近的见解在分类和自监督学习的对比学习。我们通过多维尺度可视化学习表示的空间关系，并表明对瓶颈层的额外监督可能导致中间嵌入空间的部分维度崩溃。

2023-03-01cs.CVcs.LG

Voxelmorph++通过关键点监控和多通道实例优化超越颅顶

Voxelmorph++ Going beyond the cranial vault with keypoint supervision and multi-channel instance optimisation

University of Lübeck（吕贝克大学）

基于深度学习的图像配准的大多数当前研究解决了具有中等变形幅度的患者间脑配准。最近的Learn 2 Reg医学配准基准已经证明，单尺度U-Net架构（例如直接采用空间Transformer损失的VoxelMorph）通常不能很好地推广到颅顶之外，并且不能达到腹部或患者体内肺部配准的最先进性能。在这里，我们提出了两个简单的步骤，大大减少了准确性的差距。首先，我们使用关键点自监督和一个新的网络头，预测离散化的热图，并鲁棒地减少大的变形，以获得更好的鲁棒性。其次，我们用手工制作的功能和Adam优化器的单个实例优化来取代多个学习的微调步骤。不同于其他相关工作，包括FlowNet或PDD-Net，我们的方法不需要一个完全离散化的架构与相关层。我们的消融研究证明了关键点在自我监督和无监督（仅使用MIND指标）设置中的重要性。在多中心吸气-呼气肺部CT数据集上，包括非常具有挑战性的COPD扫描，我们的方法通过将非线性对齐提高77%而优于VoxelMorph，相比之下，非线性对齐提高了19% -达到2 mm的目标配准误差，优于迄今为止发表的所有学习方法。将该方法扩展到语义特征设置了受试者间腹部CT配准的最新性能。

2022-02-28cs.CV

快速预测多模态图像配准

Fast Predictive Multimodal Image Registration

UNC Chapel Hill（北卡罗来纳大学教堂山分校）；University of Salzburg（萨尔茨堡大学）

我们介绍了一种深度编码器-解码器架构，用于从多模态图像进行图像变形预测。具体来说，我们设计了一个基于图像补丁的深度网络，它联合（i）学习图像相似性度量和（ii）图像补丁与变形参数之间的关系。虽然我们的方法可以应用到一般的图像配准公式，我们专注于大变形的几何度量映射（LDDMM）配准模型。通过预测LDDMM的射击公式的初始动量，我们保留了它的数学性质，并大大减少了计算时间，相比基于优化的方法。此外，我们创建了一个贝叶斯概率版本的网络，允许通过在测试时对网络进行采样来评估配准不确定性。我们使用T1和T2加权图像在3D脑MRI数据集上评估我们的方法。我们的实验表明，我们的方法产生准确的预测和学习的相似性度量导致更一致的注册比依赖于通用的多模态图像相似性度量，如互信息。我们的方法比基于优化的LDDMM快一个数量级。

2017-03-31cs.CV

用于鲁棒且可泛化的可变形图像配准的代理监督

Surrogate Supervision for Robust and Generalizable Deformable Image Registration

Department of Electrical and Computer Engineering, Vanderbilt University（维斯尼尔大学电气与计算机工程系）；Department of Radiology and Radiological Science, Johns Hopkins Medical School（约翰霍普金斯医学学校放射学与放射科学系）；Image Analysis and Communications Laboratory in the Department of Electrical and Computer Engineering, Johns Hopkins University（约翰霍普金斯大学电气与计算机工程系图像分析与通信实验室）；Center for Cognitive Medicine, Department of Psychiatry and Behavioral Science, Vanderbilt University Medical Center（维斯尼尔大学医学中心认知医学中心）；University of Pittsburgh, School of Medicine（匹兹堡大学医学院）

提出代理监督训练范式，通过解耦输入域与监督域提升可变形图像配准网络对伪影、视野不匹配和模态差异的鲁棒性与泛化能力。

2025-09-11cs.AIcs.CV

基于对称变换的非监督图像配准网络

Symmetric Transformer-based Network for Unsupervised Image Registration

Jilin University（吉林大学）

医学图像配准是医学图像分析中的一项基本而关键的任务。随着深度学习的快速发展，卷积神经网络（CNN）已经主导了医学图像配准领域。由于CNN的局部感受野的缺点，最近的一些配准方法集中于使用Transformers进行非局部配准。然而，标准的Transformer参数众多，计算复杂性高，导致Transformer只能应用于配准模型的底层。因此，在最低分辨率下只能获得粗略的信息，从而限制了Transformer在其模型中的作用。为了解决这些挑战，我们提出了一个基于卷积的高效多头自注意（CEMSA）块，它减少了传统的Transformer的参数，并捕获本地空间上下文信息，以减少注意力机制中的语义歧义。在CEMSA模型的基础上，提出了一种新的基于对称变换器的模型（SymTrans）。SymTrans分别在编码器和解码器中使用Transformer模块来建模长距离空间交叉图像相关性。我们将SymTrans应用于位移场和同构配准。实验结果表明，我们提出的方法在图像配准方面达到了最先进的性能。我们的代码可在\url{https://github.com/MingR-Ma/SymTrans}上公开获取。

2022-04-28cs.CV

基于流体图像配准的解剖结构数据增强

Anatomical Data Augmentation via Fluid-based Image Registration

UNC Chapel Hill（北卡罗来纳大学教堂山分校）

我们介绍了一种基于流体的医学图像分析的图像增强方法。与现有的方法相比，我们的框架通过从给定样本的测地线子空间插值生成解剖学上有意义的图像。我们的方法由三个步骤组成：1）给定一个源图像和一组目标图像，我们使用大变形几何度量映射（LDDMM）模型构造测地线子空间; 2）我们从得到的测地线子空间采样变换; 3）我们通过插值获得变形图像和分割。对大脑（LPBA）和膝盖（OAI）数据的实验说明了我们的方法在两个任务上的性能：1）图像分割训练和测试期间的数据增强; 2）单图集图像分割的一次性学习。我们证明，我们的方法生成解剖学上有意义的数据，并提高了这些任务的性能竞争的方法。代码可在https://github.com/uncbiag/easyreg上获得。

2020-07-05cs.CV

NODEO：一种基于神经常微分方程的变形图像配准优化框架

NODEO: A Neural Ordinary Differential Equation Based Optimization Framework for Deformable Image Registration

University of Pennsylvania（宾夕法尼亚大学）

形变图像配准是医学图像分析领域的关键问题之一，其目的是寻找图像间的空间对应关系。在本文中，我们提出了一种新的，通用的，准确的同构图像配准框架，利用神经常微分方程（NODE）。我们将每个体素建模为移动粒子，并将3D图像中的所有体素视为高维动力学系统，其轨迹确定目标变形场。我们的方法利用深度神经网络在建模动态系统时的表达能力，同时优化图像对和相应变换之间的动态系统。我们的公式允许沿着转换施加各种约束，以保持所需的稳定性。我们的实验结果表明，我们的方法优于各种指标下的基准。此外，我们证明了扩展我们的框架的可行性，注册多个图像集使用一个统一的形式的转换，这可能会服务于更广泛的应用。

2023-02-07cs.CV

基于深度卷积神经网络的非刚性图像配准

Deep Convolutional Neural Network for Non-rigid Image Registration

Simon Fraser University（西蒙弗雷泽大学）

在不同时间或位置拍摄的图像会经历旋转、缩放、倾斜等变换。对准已经经历变换的不同图像的过程可以经由配准来完成。当分析时间序列数据以跟踪、平均或鉴别疾病诊断时，配准是期望的。对于刚性（包括线性或仿射）变换存在有效的配准方法;然而，对于非刚性（也称为非仿射）变换，当前方法在计算上昂贵且耗时。在本报告中，我将探索深度神经网络（DNN），更具体地说，深度卷积神经网络（CNN）有效执行非刚性图像配准的能力。实验结果表明，一个CNN可以用于有效的非刚性图像配准，并在显着更少的计算时间比传统的同构恶魔或金字塔的方法。

2021-04-24cs.CVeess.IV

用于无监督形变图像配准的逆一致深度网络

Inverse-Consistent Deep Networks for Unsupervised Deformable Image Registration

Tencent AI Medical Center（腾讯AI医疗中心）

形变图像配准是医学图像分析中的一项基本任务，其目标是在一对图像之间建立一种密集的、非线性的对应关系。以前的深度学习研究通常使用监督神经网络来直接学习从一个图像到另一个图像的空间变换，需要特定于任务的地面实况配准来进行模型训练。由于难以收集精确的地面实况配准，这些监督方法的实施实际上具有挑战性。虽然最近已经开发了几种无监督网络，但这些方法通常忽略了一对图像之间的变换的固有逆一致性（对于同构映射至关重要）。此外，现有的方法通常鼓励待估计的变换是局部光滑的，通过一个光滑约束，这不能完全避免折叠在所得到的变换。为此，我们提出了一种用于无监督可变形图像配准的逆一致深度网络（ICNet）。具体来说，我们开发了一个逆一致的约束，鼓励一对图像对称变形朝向彼此，直到两个扭曲的图像匹配。除了使用传统的平滑约束，我们还提出了一个反折叠约束，以进一步避免折叠的转换。所提出的方法不需要任何监督信息，同时鼓励通过建议的逆一致和反折叠约束的转换的拓扑属性。我们在T1加权脑磁共振成像（MRI）扫描的组织分割和解剖标志检测上评估了我们的方法，结果表明我们的ICNet在几种最先进的变形图像配准方法上具有优越的性能。我们的代码将公开提供。

2018-09-10cs.CV

POLAFFINI：用于改进非线性图像配准的高效基于特征的多仿射初始化方法

POLAFFINI: Efficient feature-based polyaffine initialization for improved non-linear image registration

Centre for Medical Image Computing（医学影像计算中心）；Department of Computer Science, University College London（伦敦大学学院计算机科学系）；AINOSTICS ltd.（AINOSTICS有限公司）

针对传统仿射初始化在非线性图像配准中存在不足的问题，提出POLAFFINI方法，利用深度学习分割结果生成局部仿射匹配并融合为密集微分同胚变换，提升配准效果且更鲁棒高效。

2024-07-09cs.CV

图像配准和形变建模中的对称性

Symmetry in Image Registration and Deformation Modeling

我们调查了对称性在地标、曲线、表面、图像和高阶数据的微分同胚配准中的作用。对于一系列具体的数据类型，可以减少寻找对象之间的对应关系的无限维问题，从而得到形状和空间结构的紧凑表示。这种减少是可能的，因为可用数据在编码完整变形模型时是不完整的。使用减少对称性，我们描述了减少模型在一个共同的理论框架，利用注册问题和几何力学之间的联系。对称性也出现在减少到李代数使用粒子重新标记对称允许运动方程被写入纯粹的欧拉速度场。对称减少最近已被应用于喷气匹配和高阶离散近似的图像匹配问题。我们概述了这些结构和进一步的情况下，减少对称承诺新的方法来注册复杂的数据类型。

2014-12-24cs.CVmath.DG

仅编码器图像配准

Encoder-Only Image Registration

School of Artificial Intelligence and Robotics, Hunan University（人工智能与机器人学院，湖南大学）；Cornell University（康奈尔大学）；Department of Electrical and Computer Engineering, Johns Hopkins University（电气与计算机工程系，约翰霍普金斯大学）；Department of Electrical and Computer Engineering, National University of Singapore（电气与计算机工程系，国立新加坡大学）

EOIR通过仅编码器架构实现图像配准的高精度与高效率平衡，利用卷积网络线性化局部强度和和谐化全局对比度变化，构建拉普拉斯特征金字塔以逐步生成全微分变形。

2026-01-15cs.CV

SuperWarp：U-Net上的监督学习和Warping不变子体素精确配准

SuperWarp: Supervised Learning and Warping on U-Net for Invariant Subvoxel-Precise Registration

Athinoula A. Martinos Center for Biomedical Imaging（阿西努拉·A·马蒂诺斯生物医学成像中心）；Massachusetts Institute of Technology（麻省理工学院）

近年来，基于学习的图像配准方法逐渐从目标扭曲的直接监督转向使用自我监督，并在多个配准基准测试中取得了优异的结果。这些方法利用惩罚固定图像和运动图像之间的强度差的损失函数以及关于变形的合适的正则化器。在本文中，我们认为，监督配准方法的相对失败可以部分归咎于使用常规U-网，这是共同的任务与特征提取，特征匹配，估计变形。我们引入了一个简单但关键的修改，从变形预测中分离出特征提取和匹配的U-网络，允许U-网络扭曲的功能，跨级别，随着变形场的演变。通过这种修改，使用目标扭曲的直接监督开始优于需要分割的自我监督方法，当图像没有分割时，为配准提供了新的方向。我们希望我们在这篇初步研讨会论文中的发现将重新点燃对监督图像配准技术的研究兴趣。我们的代码可从https://github.com/balbasty/superwarp公开获取。

2022-05-15cs.CVcs.LGeess.IV