基于非迭代由粗到细网络与双重深度监督的脑肿瘤序列配准
计算机视觉与模式识别
2023-07-18 v1
摘要
在本研究中，我们聚焦于脑胶质瘤患者术前与随访磁共振成像（MRI）扫描之间的脑肿瘤序列配准，该任务源于脑肿瘤序列配准挑战赛（BraTS-Reg 2022）。脑肿瘤配准是脑图像分析中量化肿瘤变化的基本需求。由于术前与随访扫描之间存在大形变与对应缺失，这是一项具有挑战性的任务。针对该任务，我们采用近期提出的非迭代由粗到细配准网络（NICE-Net）——一种基于深度学习、用于对大形变图像进行由粗到细配准的方法。为克服对应缺失问题，我们通过引入双重深度监督对 NICE-Net 进行扩展，其中基于图像相似度的深度自监督损失与基于人工标注地标的深度弱监督损失被深度嵌入到 NICE-Net 中。在 BraTS-Reg 2022 中，我们的方法在验证集上取得了具有竞争力的结果（平均绝对误差：3.387），并在最终测试阶段位列第 4（得分：0.3544）。
引用
@article{arxiv.2211.07876,
title = {Brain Tumor Sequence Registration with Non-iterative Coarse-to-fine Networks and Dual Deep Supervision},
author = {Mingyuan Meng and Lei Bi and Dagan Feng and Jinman Kim},
journal= {arXiv preprint arXiv:2211.07876},
year = {2023}
}
备注
Brain Tumor Sequence Registration challenge (BraTS-Reg 2022)