voxelmorph: 一个基于学习的可变形医学图像配准与对齐框架

它解决了什么问题

VoxelMorph 提供了一个基于学习的图像配准框架，配准是将两幅图像（例如医学扫描图像）通过建模变形来进行对齐的过程。它解决了高效对齐具有不同解剖结构或不同成像模态（例如 CT 到 MRI）的图像的挑战。

工作原理

该库使用卷积神经网络 (CNNs) 来预测变形场，从而将一幅图像（移动图像）扭曲以匹配另一幅图像（固定图像或图谱)。它支持多种配准类型，包括使用各种损失函数 (MSE, CC) 的无监督学习、微分同胚配准（确保变形是平滑且可逆的）以及仿射配准。它还包括 SynthMorph，一种使用合成图像而非实际获取的成像数据来训练配准模型的策略，使模型具有对比度不变性。

适用人群

它专为医学成像和计算机视觉领域的研究人员和从业人员设计，他们需要对齐 3D 体积或图像并对空间变形进行建模。

亮点

• 多模态支持：能够执行跨不同成像模态的配准，例如 CT 到 MRI。
• SynthMorph：允许通过使用合成图像来训练配准网络，而无需实际的训练数据。
• Diffeomorphic Mapping：支持创建平滑、可逆的变形，以维持解剖拓扑结构。
• uma TensorFlow and PyTorch：提供稳定的 TensorFlow 实现和活跃的 PyTorch 开发分支。
• Atlas Construction：包括用于创建无条件和有条件可变形模板（图谱）的工具。