AIRNet：基于神经网络的三维医学图像自监督仿射配准
计算机视觉与模式识别
2018-10-16 v2
摘要
本文提出一种用于三维医学图像仿射配准的自监督学习方法。与基于优化的方法不同，我们的仿射图像配准网络（AIRNet）被设计为直接估计两幅输入图像间的变换参数，而无需使用任何表征配准质量的度量作为优化函数。但由于人工标定任意两幅图像间变换参数代价高昂，我们利用大量廉价的无标签数据生成合成数据集以训练模型。此外，AIRNet的结构使我们能够学习对配准有用的图像判别特征。所提方法在人脑轴位磁共振图像上进行了评估，并与传统图像配准方法的性能进行比较。实验表明，我们的方法在不同患者与模态的图像配准上取得了更好的整体性能，且执行时间提速100倍。
引用
@article{arxiv.1810.02583,
title = {AIRNet: Self-Supervised Affine Registration for 3D Medical Images using Neural Networks},
author = {Evelyn Chee and Zhenzhou Wu},
journal= {arXiv preprint arXiv:1810.02583},
year = {2018}
}