基于分治方法分析用于眼底图像配准的模仿学习网络
图像与视频处理
2019-12-24 v1 计算机视觉与模式识别
机器学习
摘要
眼底图像上微血管循环的对比是糖尿病、高血压等疾病诊断与监测的非侵入性临床指征。 intra-patient图像间的差异可通过配准序列采集进行定量评估。由于图像的变异性（即对比度、亮度）与视网膜的解剖变化，眼底图像配准仍具挑战性。近来，若干深度学习方案被提出以端到端方式配准眼底图像，取得瞩目结果。然而，结果难以解释与分析。本工作中，我们提出一种模仿学习框架，用于2D彩色眼底图像的配准，可广泛应用于疾病监测、图像拼接与超分辨率等。我们采用分治方法提升所提网络的可解释性，并分析输入图像与超参数对配准结果的影响。结果表明，所提配准网络将初始目标配准误差降低多达95%。
引用
@article{arxiv.1912.10837,
title = {Analyzing an Imitation Learning Network for Fundus Image Registration Using a Divide-and-Conquer Approach},
author = {Siming Bayer and Xia Zhong and Weilin Fu and Nishant Ravikumar and Andreas Maier},
journal= {arXiv preprint arXiv:1912.10837},
year = {2019}
}
备注
6 pages, 2 figures