用于训练图像配准神经网络的对抗形变正则化
机器学习
2018-09-24 v1 计算机视觉与模式识别
机器学习
摘要
我们描述了一种对抗学习方法，用于约束图像配准的卷积神经网络训练，以替代这些任务中常用的位移场启发式平滑度量。以微创前列腺癌介入为例应用，我们展示了利用生物力学模拟来正则化弱监督解剖标签驱动配准网络的可行性，该网络用于对齐术前磁共振（MR）与三维术中经直肠超声（TRUS）图像。一个判别器网络被优化以区分配准预测的位移场与有限元分析模拟的运动数据。在训练期间，配准网络同时旨在最大化驱动图像对齐的解剖标签之间的相似性，并最小化衡量预测形变与模拟形变之间差异的对抗生成器损失。端到端训练的网络实现了高效且全自动的配准，仅需一对 MR 和 TRUS 图像作为输入，在推理时无需解剖标签或模拟数据。本研究使用了来自 76 名前列腺癌患者的 108 对标注 MR 和 TRUS 图像，以及来自 143 名不同患者的 71,500 次非线性有限元模拟。我们表明，仅以腺体分割作为训练标签，所提方法可在无任何其他平滑惩罚的情况下帮助预测物理上合理的形变。基于使用 834 对独立验证标志点的交叉验证实验，所提对抗正则化配准实现了 6.3 mm 的目标配准误差，显著低于其他几种正则化方法。
引用
@article{arxiv.1805.10665,
title = {Adversarial Deformation Regularization for Training Image Registration Neural Networks},
author = {Yipeng Hu and Eli Gibson and Nooshin Ghavami and Ester Bonmati and Caroline M. Moore and Mark Emberton and Tom Vercauteren and J. Alison Noble and Dean C. Barratt},
journal= {arXiv preprint arXiv:1805.10665},
year = {2018}
}
备注
Accepted to MICCAI 2018