ABN：面向多阶段可变形图像配准的抗模糊神经网络
计算机视觉与模式识别
2022-12-08 v1
摘要
可变形图像配准，即通过非线性变换将多幅图像对齐到同一坐标系中的任务，是神经影像数据必不可少的预处理步骤。近期关于可变形图像配准的研究主要集中于利用多阶段对齐方法提高配准精度，其中源图像由同一个神经网络在多个阶段中反复形变，直到与目标图像良好对齐。传统的多阶段配准方法常因像素/体素值从上一阶段生成的图像中反复插值而使源图像模糊。然而，在图像配准过程中保持图像质量（如清晰度）对医学数据分析至关重要。本文研究抗模糊可变形图像配准问题，并提出一种称为抗模糊网络（ABN）的新方案用于多阶段图像配准。具体而言，我们使用一对短期配准与长期记忆网络来学习各阶段的非线性形变，其中短期配准网络学习如何逐步提升配准精度，长期记忆网络整合此前所有形变，从而允许直接在原始图像上进行插值并保留图像清晰度。在自然与医学图像数据集上的大量实验表明，ABN 能在保持图像清晰度的同时准确配准图像。我们的代码与数据可在 https://github.com/anonymous3214/ABN 获取。
引用
@article{arxiv.2212.03277,
title = {ABN: Anti-Blur Neural Networks for Multi-Stage Deformable Image Registration},
author = {Yao Su and Xin Dai and Lifang He and Xiangnan Kong},
journal= {arXiv preprint arXiv:2212.03277},
year = {2022}
}
备注
Published as a full paper at ICDM 2022. Code: https://github.com/anonymous3214/ABN