摘要

本文介绍了一种名为MemWarp的新型学习框架，用于解决心脏图像注册中的不连续性问题。传统的基于学习的方法通常假设变形场是全局平滑和连续的，但在心脏图像注册中，由于呼吸和胸腔内器官滑动的影响，不同解剖区域表现出不对称运动，导致全局约束无法适应器官边界处的局部不连续性。MemWarp通过利用记忆网络存储针对不同解剖区域的典型信息，有效地解决了这一问题，并在公开的心脏数据集上实现了显著的注册准确性提升。

原理

MemWarp的核心创新在于其工作原理的两个主要方面：首先，通过将特征提取与移动和固定图像的相似性匹配解耦，MemWarp能够更有效地利用特征图；其次，尽管MemWarp能够保持不连续性，但它不需要在模型推理期间使用分割掩码。具体来说，MemWarp使用拉普拉斯金字塔在Unet的每个级别创建残余变形场，从而从粗到细地捕捉变形。此外，MemWarp使用固定图像的特征图来引导动态滤波器的创建，这些滤波器针对特定的解剖区域，提高了模型处理不同区域间不连续性的能力。

流程

MemWarp的工作流程包括以下几个关键步骤：首先，通过拉普拉斯金字塔网络（LapWarp）解耦特征提取和相似性匹配，确保在金字塔框架内稳定训练；其次，使用固定图像的特征图作为查询，通过记忆网络生成动态滤波器，这些滤波器根据固定特征图的上下文调整，从而生成变形场。整个过程不需要分割掩码，但可以通过记忆网络生成与顶级分割方法相媲美的分割掩码。

应用

MemWarp的应用前景广阔，特别是在心脏图像分析领域，如心血管疾病的诊断和治疗。其能够有效处理心脏图像注册中的不连续性问题，提高注册的准确性和变形场的真实性，有望在未来的医疗图像处理中发挥重要作用。此外，MemWarp的无需分割掩码的特性也使其在实际应用中更加灵活和高效。