通过联合优化网络架构与目标函数实现可变形医学图像配准的自动学习
计算机视觉与模式识别
2023-08-15 v4 机器学习
摘要
可变形图像配准在各种医学图像分析任务中起着关键作用。一个成功的配准算法，无论是源自常规能量优化还是深度网络，都需要计算机专家付出巨大努力，针对特定类型的医学数据精心设计配准能量或仔细调优网络架构。为应对上述问题，本文提出一种自动学习配准算法（AutoReg），其协同优化架构及其对应训练目标，使非计算机专家（例如医学/临床用户）能方便地为多样场景找到开箱即用的配准算法。具体而言，我们建立了一个三级框架，通过自动搜索机制与协同优化推导配准网络架构与目标。我们在多站点体数据及各种配准任务上进行了图像配准实验。广泛结果表明，我们的 AutoReg 可自动为给定体数据学习最优深度配准网络，并取得当前最佳性能，且相比主流 UNet 架构显著提高了计算效率（在相同配置下，一对 3D 图像从 0.558 秒降至 0.270 秒）。
引用
@article{arxiv.2203.06810,
title = {Automated Learning for Deformable Medical Image Registration by Jointly Optimizing Network Architectures and Objective Functions},
author = {Xin Fan and Zi Li and Ziyang Li and Xiaolin Wang and Risheng Liu and Zhongxuan Luo and Hao Huang},
journal= {arXiv preprint arXiv:2203.06810},
year = {2023}
}
备注
13 pages