一种用于无监督仿射与可变形图像配准的深度学习框架
计算机视觉与模式识别
2021-09-09 v2
摘要
图像配准，即对齐两幅或多幅图像的过程，是许多（半）自动医学图像分析任务的核心技术。近期研究表明，深度学习方法，特别是卷积神经网络（ConvNets），可用于图像配准。迄今为止，用于配准的 ConvNets 训练是通过预定义的示例配准进行监督的。然而，获取示例配准并非易事。为规避对预定义示例的需求，从而提高 ConvNets 用于图像配准训练的便利性，我们提出了深度学习图像配准（DLIR）框架，用于无监督的仿射与可变形图像配准。在 DLIR 框架中，ConvNets 通过利用图像相似性进行训练以实现图像配准，类似于传统的基于强度的图像配准。在 ConvNet 通过 DLIR 框架训练完成后，它可用于一次性配准未见过的图像对。我们提出了用于仿射图像配准和可变形图像配准的灵活 ConvNet 设计。通过将多个此类 ConvNet 堆叠为更大的架构，我们能够实现由粗到精的图像配准。我们在心脏电影 MRI 配准和胸部 CT 配准上表明，DLIR 框架的性能可与传统图像配准相媲美，同时速度快几个数量级。
引用
@article{arxiv.1809.06130,
title = {A Deep Learning Framework for Unsupervised Affine and Deformable Image Registration},
author = {Bob D. de Vos and Floris F. Berendsen and Max A. Viergever and Hessam Sokooti and Marius Staring and Ivana Isgum},
journal= {arXiv preprint arXiv:1809.06130},
year = {2021}
}
备注
Accepted: Medical Image Analysis - Elsevier