Conv2Warp：一种基于连续卷积与扭曲的无监督可变形图像配准方法
计算机视觉与模式识别
2019-08-20 v1 机器学习
图像与视频处理
摘要
近期基于深度学习的可变形图像配准(DIR)方法的成功表明，可直接从数据中学习复杂形变，同时相较传统方法减少计算时间。然而，对全线性卷积层的依赖施加了像素/体素位置的均匀采样，这最终限制了其性能。为解决该问题，我们提出一种学习源图像连续扭曲的新方法。此处，所需的形变向量场由级联的线性与非线性卷积层以及可学习的双三次Catmull-Rom样条重采样器获得。与仅使用线性卷积和线性重采样相比，这可计算平滑形变场并实现更精确的对齐。此外，连续扭曲技术会对由拓扑变化引起的不一致进行惩罚。我们的实验表明，该方法能捕捉大非线性形变并最小化插值误差的传播。在提升精度的同时，该方法计算高效。我们在多个公开4D CT肺部(POPI)与脑数据集(CUMC12、MGH10)上给出了对比结果。
引用
@article{arxiv.1908.06194,
title = {Conv2Warp: An unsupervised deformable image registration with continuous convolution and warping},
author = {Sharib Ali and Jens Rittscher},
journal= {arXiv preprint arXiv:1908.06194},
year = {2019}
}
备注
8 pages (accepted at 10th International Workshop on Machine Learning in Medical Imaging, in conjunction with MICCAI2019)