以条件分割替代图像配准
图像与视频处理
2019-10-22 v1 计算机视觉与模式识别
机器学习
摘要
经典的成对图像配准方法搜索一种空间变换，以优化指示一对浮动图像与固定图像对齐程度的数值度量。当前基于学习的配准方法采用了相同范式，并通常针对任意新输入图像对预测以密集位移场或空间变换模型参数形式表示的密集对应。然而，在配准的许多应用中，空间变换本身仅被用于传播点状或感兴趣区域（regions of interest, ROIs）。在此类情形下，这些 ROI 之内或之外的详细像素或体素级对应通常很少具有临床价值。在本文中，我们提出了一种替代范式，其中学习在一幅图像中定义的对应图像特定 ROI 在另一幅图像中的位置。这导致以条件分割算法替代图像配准，该算法可基于典型的图像分割网络及其被广泛采用的训练策略构建。以前列腺 3D MRI 与超声图像配准作为示例来展示这一新方法，我们报告了在术中超声图像上定义的真实 ROI 与从术前 MR 图像传播的 ROI 之间中位目标配准误差（target registration error, TRE）为 2.1 mm。与使用相同多 ROI 标签为各图像对训练、先前提出的空间变换预测配准网络相比，所提出的条件分割获得的 TRE 显著更低（>34%）。我们以定量偏差-方差分析作结，为所观察到的配准精度提升提供了一种解释。
引用
@article{arxiv.1907.00438,
title = {Conditional Segmentation in Lieu of Image Registration},
author = {Yipeng Hu and Eli Gibson and Dean C. Barratt and Mark Emberton and J. Alison Noble and Tom Vercauteren},
journal= {arXiv preprint arXiv:1907.00438},
year = {2019}
}
备注
Accepted to MICCAI 2019