基于无监督深度学习的纵向腹盆部 CT 图像三维形变配准
图像与视频处理
2020-05-18 v1 计算机视觉与模式识别
摘要
本研究探讨了使用无监督深度学习框架 VoxelMorph 对乳腺癌骨转移患者所采集的纵向腹盆部 CT 图像进行形变配准。在配准前通过自动移除 CT 检查床及所有其他体外成分对 CT 图像进行精炼。为在仅有有限训练数据可用时提升 VoxelMorph 的学习能力，提出了一种基于连续 CT 图像模拟形变的新型增量训练策略。在 4 折交叉验证方案中，增量训练策略相比在单一体积上训练取得了显著更优的配准性能。尽管我们的形变图像配准方法在配准质量方面未超越使用 NiftyReg（视为基准）的迭代配准，但配准速度约快 300 倍。本研究通过基于模拟形变的新型增量训练策略，展示了基于深度学习的纵向腹盆部 CT 图像形变配准的可行性。
引用
@article{arxiv.2005.07545,
title = {3D deformable registration of longitudinal abdominopelvic CT images using unsupervised deep learning},
author = {Maureen van Eijnatten and Leonardo Rundo and K. Joost Batenburg and Felix Lucka and Emma Beddowes and Carlos Caldas and Ferdia A. Gallagher and Evis Sala and Carola-Bibiane Schönlieb and Ramona Woitek},
journal= {arXiv preprint arXiv:2005.07545},
year = {2020}
}