医学图像配准焦点融合网络

配准精度超现有方法

采用FLatten Transformer块与逐层输出融合机制,持续追踪运动图像位置差异,在脑图像配准上优于现有方法。

Tianyong, Liu · Zhiqing, Zhang · Guojia, Fan · Nan, Li · Chengwu, Xu · Li, Bin · Gang, Zhao · Zhou, Shoujun

Pattern Recognition 2025

参数信息

Dice系数提升(LPBA40)
2.6 %
Dice系数提升(Mindboggle101)
1.5 %

技术优势

输出直接对应形变场

逐层输出融合机制确保网络输出与最终形变场直接关联,避免信息在深层网络中丢失。

不依赖最后一层高分辨率

通过专门设计的运动图像编码器和逐层融合机制,克服了过度依赖最后一层高分辨率图像的缺点,更好利用多尺度信息。

注意力强且计算省

FLatten Transformer块采用聚焦线性注意力机制,在保持低复杂度的同时增强注意力表达能力,使配准更准确高效。

应用场景