利用概率稠密位移网络缩小深度与常规图像配准之间的差距
计算机视觉与模式识别
2019-07-26 v1 机器学习
摘要
非线性图像配准仍然是医学图像分析中一项根本重要的工具。诊断任务、图像引导手术与放疗以及运动分析都严重依赖准确的患者内对齐。此外，患者间配准支持基于图谱的分割或地标定位以及形状分析。当标注扫描稀缺且解剖差异较大时，常规配准通常仍优于深度学习方法，后者迄今主要处理相对较小或低复杂度的形变。我们通过借助在诸多大形变配准任务中表现出色的概率稠密位移优化思想来解决这一不足。我们提出在离散弱监督配准设置中设计具有近似最小卷积和平均场推断的网络，以实现可微分的位移正则化。通过采用这些有意义且理论证明的约束，我们的可学习配准算法包含极少的可训练权重（主要用于特征提取），并且更容易用少量标注扫描进行训练。它在训练和推断上非常快，并在具有挑战性的腹部 CT 患者间配准中达到最先进的精度，以 15% 的 Dice 重叠率优于先前的深度学习方法。
引用
@article{arxiv.1907.10931,
title = {Closing the Gap between Deep and Conventional Image Registration using Probabilistic Dense Displacement Networks},
author = {Mattias P. Heinrich},
journal= {arXiv preprint arXiv:1907.10931},
year = {2019}
}
备注
accepted for publication at MICCAI 2019, open source code available at https://github.com/multimodallearning/pdd_net