一种用于无监督可变形图像配准的轻量级残差网络
计算机视觉与模式识别
2024-06-17 v1 数值分析
数值分析
摘要
准确的体数据图像配准在临床流程和计算机辅助医疗诊断中具有高度重要性。最近，研究者们开始在基于学习的方法中应用Transformer，取得了显著的成功。由于其强大的全局建模能力，Transformer被认为是CNN在配准任务中更好的选择。然而，Transformer使用庞大的模型且参数数量庞大，需要高计算需求的边缘设备进行部署，如便携式设备或医院环境。此外，Transformer需要大量训练数据才能取得显著效果，而收集合适的标注数据常常具有挑战性。虽然现有的CNN-based图像配准方法能够提供丰富的局部信息，但其全局建模能力在处理长距离信息交互方面有限，限制了配准性能。本文提出一种基于CNN的配准方法，具备增强的感受野、较少的参数数量和在有限训练数据集上的显著效果。为此，我们提出一种嵌入平行膨胀卷积块的残差U-Net，以增强感受野。该方法在基于内患者和基于图谱的数据集上进行评估。我们展示，使用仅占其参数数量的1.5%即可实现与Transformer-based方法相当甚至略优于的方法性能。
引用
@article{arxiv.2406.09774,
title = {A lightweight residual network for unsupervised deformable image registration},
author = {Ahsan Raza Siyal and Astrid Ellen Grams and Markus Haltmeier},
journal= {arXiv preprint arXiv:2406.09774},
year = {2024}
}