一种用于医学图像配准的元学习方法
计算机视觉与模式识别
2021-04-22 v1
摘要
非刚性配准是医学影像研究中必要但具有挑战性的任务。近来，无监督配准模型已展现出良好性能，但它们通常需要大规模训练数据集和较长训练时间。因此，在仅有数十到数百对图像可用的真实世界应用中，现有模型无法实际使用。为应对这些局限，我们提出了一种集成基于梯度的元学习框架的新型无监督配准模型。具体而言，我们训练一个元学习器，通过利用多种现有配准数据集来寻找参数的初始化点。为快速适应各类任务，该元学习器被更新以接近针对每个配准任务微调所得参数的中心。从而，我们的模型可通过简短的微调过程适应未见过的领域任务并执行准确配准。为验证模型的优越性，我们针对视网膜脉络膜光学相干断层扫描血管成像（OCTA）、CT 器官和脑 MRI 扫描等多种 2D 医学图像配准任务训练模型，并在视网膜 OCTA 浅层毛细血管丛（SCP）配准上进行测试。在我们的实验中，所提模型在准确率和训练时间方面均较其他配准模型获得显著改进。
引用
@article{arxiv.2104.10447,
title = {A Meta-Learning Approach for Medical Image Registration},
author = {Heejung Park and Gyeong Min Lee and Soopil Kim and Ga Hyung Ryu and Areum Jeong and Sang Hyun Park and Min Sagong},
journal= {arXiv preprint arXiv:2104.10447},
year = {2021}
}