基于大内核卷积和Transformer并行的三维医学图像配准模型
摘要
医学图像配准在手术引导和病灶检测等方面具有重要意义。然而，现有的基于深度学习的配准模型通常采用单一编码架构，不能充分结合卷积神经网络（CNN）和Transformer各自的优势，导致配准精度不足且难以保持图像的原始拓扑结构。针对以上问题，本研究提出了一种基于大内核卷积（LKC）和Transformer并行的配准模型PLKCT-UNet。首先，设计大内核卷积并将其与Swin Transformer作为双编码器，以增强局部信息和全局信息的捕获能力。其次，通过大内核卷积模块增强全局感受野，并引入核分解技术以减小模型的计算开销。最后，为实现CNN和Transformer的优势互补，提出了多尺度注意力聚合（MSAA）模块，该模块使得模型既能保持局部细粒度信息又能有效捕捉全局语义信息。实验结果表明，PLKCT-UNet在OASIS数据集上的Dice得分为0.824，豪斯多夫距离为2.46，相比于TransMorph模型的参数量减少了21.30×106，整体配准效果更优。
引用本文（GB/T 7714）
彭静 Peng Jing, 闫佳荣 Yan Jiarong, 沈瑜 Shen Yu, 等. 基于大内核卷积和Transformer并行的三维医学图像配准模型[J]. Chinese Journal of Lasers, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。