坐标转换器用于学习可变形医学图像配准
图像与视频处理
2022-08-02 v2 计算机视觉与模式识别
摘要
大多数基于深度学习（DL）的可变形图像配准方法使用卷积神经网络（CNN）从浮动图像和固定图像对中估计位移场。然而，这要求 CNN 中的卷积核不仅要从输入中提取强度特征，还要理解图像坐标系。我们认为后者任务对传统 CNN 而言具有挑战性，限制了它们在配准任务中的性能。为解决此问题，我们首先引入坐标转换器，这是一个可微模块，可在无需训练的情况下识别固定图像与浮动图像间的匹配特征并输出其坐标对应关系。它卸下了 CNN 理解图像坐标系的负担，使 CNN 能够专注于特征提取。然后我们提出一种新颖的可变形配准网络 im2grid，它使用多个坐标转换器与从 CNN 编码器提取的分层特征，并以由粗到细的方式输出形变场。我们将 im2grid 与最先进的 DL 和非 DL 方法在无监督 3D 磁共振图像配准上进行比较。我们的实验表明 im2grid 在定性和定量上均优于这些方法。
引用
@article{arxiv.2203.03626,
title = {Coordinate Translator for Learning Deformable Medical Image Registration},
author = {Yihao Liu and Lianrui Zuo and Shuo Han and Yuan Xue and Jerry L. Prince and Aaron Carass},
journal= {arXiv preprint arXiv:2203.03626},
year = {2022}
}