深度学习在医学图像配准中的综述：新技术、不确定性、评价指标及超越
图像与视频处理
2024-11-04 v4 计算机视觉与模式识别
摘要
过去十年中，深度学习技术极大地重塑了医学图像配准领域。最初的发展，如基于回归和基于U-Net的网络，为图像配准中的深度学习奠定了基础。随后的进展在基于深度学习的配准的各个方面取得，包括相似度度量、形变正则化、网络架构和不确定性估计。这些进展不仅丰富了配准领域，也促进了其在广泛应用任务中的使用，包括图谱构建、多图谱分割、运动估计和2D-3D配准。在本文中，我们全面概述了基于深度学习的图像配准的最新进展。我们首先简要介绍基于深度学习的图像配准的核心概念。然后，我们深入探讨创新网络架构、配准专用的损失函数，以及配准不确定性估计方法。此外，本文探讨了用于评估深度学习模型在配准任务中性能的适当评价指标。最后，我们强调这些新技术在医学成像中的实际应用，并讨论基于深度学习的图像配准的未来前景。
引用
@article{arxiv.2307.15615,
title = {A survey on deep learning in medical image registration: new technologies, uncertainty, evaluation metrics, and beyond},
author = {Junyu Chen and Yihao Liu and Shuwen Wei and Zhangxing Bian and Shalini Subramanian and Aaron Carass and Jerry L. Prince and Yong Du},
journal= {arXiv preprint arXiv:2307.15615},
year = {2024}
}
备注
Accepted to Medical Image Analysis ((c) MedIA). A list of open-sourced code from the papers reviewed has been organized and is available at https://bit.ly/3QgFJ9z