voxelmorph/voxelmorph

解決的問題

VoxelMorph 提供了一個通用的圖像配準與對齊庫，特別專注於用於模擬變形的基於學習的工具。它透過學習如何將一張圖像變形以匹配另一張圖像，解決了對齊不同圖像（如醫學掃描）的挑戰，這通常比傳統的迭代配具方法更有效。

工作原理

該庫使用卷積神經網絡 (CNN) 來預測將一張圖像映射到另一張圖像的變形場。它支援多種配準範式：

• Unsupervised Learning：使用均方誤差 (MSE) 或互相關 (CC) 等損失函數進行模型訓練，無需地面真值 (ground-truth) 標籤。
• Diffeomorphic Registration：透過整合速度場，確保生成的變形是平滑且可逆的。
• SynthMorph：一種允許使用合成圖像（隨機形狀或大腦標籤圖）而非實際獲取的成像數據來訓練配準模型的策略，使模型具有對比度無關性。
• HyperMorph：一種學習配準超參數效應的方法，以避免手動調優。

適用對象

它主要為醫療成像與電腦視覺領域的研究人員和從業者設計，這些人員需要對齊 3D 或 N 維圖像、建立可變形模板（圖譜）或執行多模態配準（例如，從 CT 到 MRI）。

亮點

• 對比度無關配準：透過 SynthMorph，可以在沒有真實數據的情況下訓練模型，以處理各種圖像對比度。
• 靈活的框架：支援 PyTorch 和 TensorFlow（透過 dev-tensorflow 分支）。
• 模板構建：包括用於建立無條件與有條件可變形模板的工具。
• 多格式支援：處理 NIfTI、MGZ 和 numpy (.npz) 檔案格式。
• 預訓練模型：為常見的配準任務提供多種預訓練權重。