有效的骨干网络对于基于深度学习的可变形医学图像注册(DMIR)很重要,因为它可以提取和匹配两个图像之间的特征,以发现互联网的相互对应。但是,现有的深网关注单图像,并且在配对图像上执行的注册任务有限。因此,我们推进了一个新型的骨干网络Xmorpher,用于DMIR中有效的相应特征表示。 1)它提出了一种新颖的完整变压器体系结构,包括双重平行特征提取网络,通过交叉注意交换信息,从而在逐渐提取相应的特征以逐渐提取最终有效注册时发现了多层次的语义对应。 2)它推进了交叉注意变压器(CAT)块,以建立图像之间的注意机制,该图像能够自动找到对应关系并提示特征在网络中有效融合。 3)它限制了基本窗口和搜索不同尺寸的窗口之间的注意力计算,因此着重于可变形注册的局部转换,并同时提高了计算效率。我们的Xmorpher没有任何铃铛和哨子,可在DSC上提高2.8%的素孔,以证明其对DMIR中配对图像的特征的有效表示。我们认为,我们的Xmorpher在更多配对的医学图像中具有巨大的应用潜力。我们的Xmorpher在https://github.com/solemoon/xmorpher上开放
translated by 谷歌翻译