voxelmorph/voxelmorph

解决的问题

VoxelMorph 提供了一个通用的图像配准和对齐库，特别专注于用于模拟变形的基于学习的工具。它通过学习如何将一张图像变形以匹配另一张图像，解决了对齐不同图像（如医学扫描）的挑战，这通常比传统的迭代配准方法更有效。

工作原理

该库使用卷积神经网络 (CNN) 来预测将一张图像映射到另一张图像的变形场。它支持多种配准范式：

• Unsupervised Learning：使用均方误差 (MSE) 或互相关 (CC) 等损失函数进行模型训练，无需地面真值 (ground-truth) 标签。
• Diffeomorphic Registration：通过集成速度场，确保生成的变形是平滑且可逆的。
• SynthMorph：一种允许使用合成图像（随机形状或大脑标签图）而非实际获取的成像数据来训练配准模型的策略，使模型具有对比度无关性。
• HyperMorph：一种学习配准超参数效应的方法，以避免手动调优。

适用对象

它主要为医疗成像和计算机视觉领域的研究人员和从业人员设计，这些人员需要对齐 3D 或 N 维图像、创建可变形模板（图谱）或执行多模态配准（例如，从 CT 到 MRI）。

亮点

• 对比度无关配准：通过 SynthMorph，可以在没有真实数据的情况下训练模型，以处理各种图像对比度。
• 灵活的框架：支持 PyTorch 和 TensorFlow（通过 dev-tensorflow 分支）。
• 模板构建：包括用于创建无条件和有条件可变形模板的工具。
• 多格式支持：处理 NIfTI、MGZ 和 numpy (.npz) 文件格式。
• 预训练模型：为常见的配准任务提供多种预训练权重。