Cross-Modality Image Registration via Generating Aligned Image Using Reference-Augmented Framework

Daniel Kim

doi:10.1109/jbhi.2025.3642431

Cross-Modality Image Registration via Generating Aligned Image Using Reference-Augmented Framework

2026-07-01

0

PRE

AI

Mohammed A. Al‐masni *

DOI：10.1109/jbhi.2025.3642431

原文链接

原文求助

摘要

En 中文

配准一对跨模态图像（例如，MR-CT、CBCT-CT）非常重要，但传统方法，包括配准或图像到图像（I2I）翻译方法通常存在局限性。为克服这些挑战，我们引入了一种基于生成的配准（RbG）框架，这是一种新颖的2D深度学习方法，旨在生成与固定图像结构上良好对齐的图像，同时保留移动图像的详细强度和对比度，我们将该图像称为参考图像。我们的方法在两个顺序关键阶段运行：首先，我们采用一种新颖的半全局参考增强图像合成网络，结合了Patch自适应实例归一化（PAdaIN）。该方法利用下采样的参考图像来指导局部自适应合成，生成更准确对齐的图像，并降低幻觉风险。在第二阶段，我们引入一个详细的精炼参考增强网络，具有变形感知交叉注意力（DACA）块，旨在恢复初始阶段可能缺失的更精细细节和纹理。这个独特组件（DACA块）能够将参考图像中的对应相关特征进行转移，在潜在特征空间中有效地执行复制-粘贴操作。此外，我们提出了一种新型损失函数组合，能够对未对齐数据集进行自监督训练，无需预先对齐的数据。我们在多个未对齐数据集上使用关注结构对齐和分布一致性的指标严格评估了我们的方法，全面展示了更优的性能。此外，我们通过在良好对齐的数据集中模拟有意错位来测试其鲁棒性。来自案例研究和下游分割任务的实验进一步突显了我们方法广泛的适用性。

Keyword:

Translation

Computed tomography

Deformation

Magnetic resonance imaging

Accuracy

Image registration

Transformers

Loss measurement

Deformable models

Artificial intelligence

Cross-modality registration

reference-augmented generation

self-supervised learning

Cross-Modality Image Registration via Generating Aligned Image Using Reference-Augmented Framework

摘要

期刊

机构

引用论文