面向几何域偏移下基于关键点的肺部配准对均值教师的适配
计算机视觉与模式识别
2022-07-04 v1
摘要
近期基于深度学习的医学图像配准方法在缩短运行时间的同时，取得了与传统优化算法相竞争的结果。然而，深度神经网络通常需要大量标注训练数据，且易受训练与测试数据间域偏移的影响。虽然典型的强度偏移可通过基于关键点的配准缓解，这些方法仍受几何域偏移之苦，例如因不同视野所致。作为补救，本工作中我们提出一种用于图像配准的几何域适配新方法，将模型从有标注源域适配至无标注目标域。我们基于一个基于关键点的配准模型，该模型结合用于几何特征学习的图卷积与循环置信度优化，并提议通过自集成来减小域偏移。为此，我们将该模型嵌入均值教师（Mean Teacher）范式。我们通过以下方式将均值教师扩展至该情境：1）适配随机增强方案；2）将学习到的特征提取与可微优化相结合。这使我们能够通过强制学习的 student 模型与时间平均的 teacher 模型给出一致预测，来引导无标注目标域中的学习过程。我们在两种具挑战性的适配场景（DIR-Lab 4D CT 到 COPD，COPD 到 Learn2Reg）下评估该方法用于呼气到吸气肺部 CT 配准。我们的方法相较基线模型稳定提升 50%/47%，同时甚至匹配了在目标数据上训练的模型的精度。源代码见 https://github.com/multimodallearning/registration-da-mean-teacher。
引用
@article{arxiv.2207.00371,
title = {Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts},
author = {Alexander Bigalke and Lasse Hansen and Mattias P. Heinrich},
journal= {arXiv preprint arXiv:2207.00371},
year = {2022}
}
备注
11 pages, accepted at MICCAI 2022