IEEE/CVF国际计算机视觉与模式识别会议（IEEE/CVF Conference on Computer Vision and Pattern Recognition, CVPR）是计算机视觉和模式识别领域最具影响力的国际顶级学术会议（h5-index：422）。今年，CVPR 2024将在美国西雅图举行，并于近日公布了会议的论文录用结果。
上海交通大学转化医学研究院毕磊团队的论文《用于可变形医学图像配准的可感知相关性的从粗到精的MLP模型》（Correlation-aware Coarse-to-fine MLPs for Deformable Medical Image Registration）被CVPR 2024接收录用并被选中进行口头报告展示（Oral Presentation）。据悉，本次CVPR 会议共收到创纪录的11532篇投稿论文，仅有90篇优秀论文被选中为Oral Presentation，占总投稿数量的0.78%。该论文的第一作者是由悉尼大学和上海交通大学联合培养的2021级博士生蒙明远，指导老师为上海交通大学转化医学研究院毕磊副教授、悉尼大学计算机学院冯大淦教授和Jinman Kim教授。
图1：基于MLP的可感知相关性的粗到精的配准网络（CorrMLP）
可变形图像配准是医学图像分析的一个基本步骤。最近，变换器（Transformer）被广泛用于图像配准并且显示出优于卷积神经网络（CNNs）的性能。因为Transformer可以捕捉图像特征之间的长程相关性，而这已被证明有利于图像配准。然而，由于自关注（self-attention）操作的高计算/内存负载，变换器通常以下采样的特征分辨率使用，不能以全图像分辨率捕获细粒度的长程相关性。这限制了可变形图像配准的性能，因为这个任务需要寻找每个图像像素之间的精确像素级的对应关系。多层感知器（MLP）由于放弃了self-attention操作从而在计算/内存使用方面是高效的，这使以全图像分辨率捕获细粒度长程相关性具有了可行性。然而，MLP尚未被广泛研究用于图像配准，并且缺乏对医学图像配准任务至关重要的归纳偏差（inductive bias）的考虑。论文提出了第一个用于可变形医学图像配准的基于MLP的可感知相关性的配准网络（CorrMLP，图1）。CorrMLP使用一种新颖的粗到细配准体系结构并引入了一种可感知相关性的多窗口MLP模块（CMW-MLP，图2），该模块可以捕获细粒度的多范围相关性，用以执行可感知相关性的从粗到精图像配准。在涉及七个公共医学图像数据集的广泛实验表明，所提出的CorrMLP优于最先进的可变形医学配准方法。
图2：为医学图像配准而设计的可感知相关性的多窗口MLP模块（CMW-MLP）
该论文的第一作者蒙明远于2018年在清华大学取得工学学士学位；于2021年在悉尼大学取得哲学（研究型）硕士学位；从2021年10月至今在悉尼大学和上海交通大学攻读博士学位。他的主要研究方向是基于深度学习的医学图像分析，并着重聚焦于医学图像配准和癌症生存预测。以第一作者身份在EJNMMI，NeuroImage，IEEE-JBHI，CVPR，MICCAI等领域内权威期刊和会议中发表多篇论文。
论文信息：
Mingyuan Meng, Dagan Feng, Lei Bi, and Jinman Kim, "Correlation-aware Coarse-to-fine MLPs for Deformable Medical Image Registration," in IEEE/CVF conference on computer vision and pattern recognition (CVPR), 2024.
