基于 CNN 的具有多种解剖约束的肺部 CT 配准
计算机视觉与模式识别
2021-06-15 v2
摘要
基于深度学习的配准方法作为传统配准方法的快速替代方案而出现。然而，这些方法往往仍无法达到传统配准方法的同等性能，因为它们要么局限于小形变，要么无法在不产生内部带折叠的不合理形变场的情况下处理大形变与小形变的叠加。在本文中，我们明确了传统肺部配准方法的重要策略，并成功开发了深度学习的对应方法。我们采用基于高斯金字塔的多级框架，以由粗到精的方式求解图像配准优化问题。此外，我们通过在损失函数中结合体积变化惩罚与曲率正则化项，防止形变场发生折叠，并将雅可比行列式限制为具有生理学意义的值。我们整合关键点对应以聚焦于较小结构的对齐。我们进行了广泛评估，以衡量所估计形变场的准确性、鲁棒性、合理性以及我们配准方法的可迁移性。我们表明，在 COPDGene 数据集上，与执行时间更短的传统配准方法相比，它取得了最先进（state-of-the-art）的结果。在我们对 DIRLab 呼气到吸气肺部配准的实验中，我们展示了相对于其他深度学习方法的显著改进（TRE 低于 mm）。我们的算法公开于 https://grand-challenge.org/algorithms/deep-learning-based-ct-lung-registration/。
引用
@article{arxiv.2011.14372,
title = {CNN-based Lung CT Registration with Multiple Anatomical Constraints},
author = {Alessa Hering and Stephanie Häger and Jan Moltz and Nikolas Lessmann and Stefan Heldmann and Bram van Ginneken},
journal= {arXiv preprint arXiv:2011.14372},
year = {2021}
}