一种即插即用图像配准网络
图像与视频处理
2024-03-20 v2
摘要
可变形图像配准（DIR）是生物医学成像中的活跃研究课题。基于深度学习（DL）开发 DIR 方法日益受到关注。传统的 DL 式 DIR 基于训练卷积神经网络（CNN）来估计两幅输入图像间的配准场。尽管概念简单，该方法有一局限：它完全依赖预训练 CNN，而未显式强制配准图像与参考间的一致性。我们提出即插即用图像配准网络（PIRATE）作为一种新的 DIR 方法，通过集成显式数据保真度惩罚与 CNN 先验来解决此问题。PIRATE 在配准场上预训练 CNN 去噪器，并将其作为正则化器“插入”迭代方法中。我们进一步提出 PIRATE+，其利用深度平衡模型（DEQ）微调 PIRATE 中的 CNN 先验。PIRATE+ 将 PIRATE 的不动点迭代解释为具有有效无限层的网络，随后端到端训练所得网络，使其能学习更多任务特定信息并提升性能。我们在 OASIS 和 CANDI 数据集上的数值结果表明，我们的方法在 DIR 上达到了最先进性能。
引用
@article{arxiv.2310.04297,
title = {A Plug-and-Play Image Registration Network},
author = {Junhao Hu and Weijie Gan and Zhixin Sun and Hongyu An and Ulugbek S. Kamilov},
journal= {arXiv preprint arXiv:2310.04297},
year = {2024}
}