ConKeD：基于关键点的视网膜图像配准多视图对比描述符学习
计算机视觉与模式识别
2024-07-09 v2
摘要
视网膜图像配准因其在医疗实践中的广泛应用而至关重要。在此背景下，我们提出了 ConKeD，一种用于学习视网膜图像配准描述符的新型深度学习方法。与当前的配准方法相比，我们的方法采用了一种新颖的多正例多负例对比学习策略，能够利用可用训练样本中的额外信息。这使得从有限的训练数据中学习高质量描述符成为可能。为了训练和评估 ConKeD，我们将这些描述符与领域特定的关键点（特别是通过深度神经网络检测到的血管分叉和交叉点）相结合。我们的实验结果证明了这种新颖的多正例多负例策略的优势，因为它优于广泛使用的三元组损失技术（单正例单负例）以及单正例多负例的替代方案。此外，ConKeD 与领域特定关键点的结合产生了与最先进的视网膜图像配准方法相当的结果，同时提供了重要的优势，例如避免了预处理、使用更少的训练样本以及需要更少的检测关键点等。因此，ConKeD 在促进基于深度学习的视网膜图像配准方法的开发和应用方面显示出巨大的潜力。
引用
@article{arxiv.2401.05901,
title = {ConKeD: Multiview contrastive descriptor learning for keypoint-based retinal image registration},
author = {David Rivas-Villar and Álvaro S. Hervella and José Rouco and Jorge Novo},
journal= {arXiv preprint arXiv:2401.05901},
year = {2024}
}