使用深度神经网络的交叉模态多图谱分割
计算机视觉与模式识别
2020-08-21 v1
摘要
多图谱分割(MAS)中的图像配准与标签融合均依赖于目标图像与图谱图像之间的强度相似性。然而,当目标与图谱图像采用不同成像协议获取时,此类相似性会出现问题。当与深度神经网络(DNNs)结合时,高层结构信息可为交叉模态图像提供可靠的相似性度量。本工作提出一种针对交叉模态图像的新 MAS 框架,其中图像配准与标签融合均由 DNNs 完成。对于图像配准,我们提出一种一致性配准网络,可联合估计前向与反向稠密位移场(DDFs)。此外,网络中采用可逆约束以减少估计 DDFs 的对应歧义。对于标签融合,我们适配一种少样本学习网络来度量图谱与目标块之间的相似性。而且,该网络可无缝集成至基于块的标签融合中。所提框架在 MICCAI 2017 的 MM-WHS 数据集上进行了评测。结果表明该框架在交叉模态配准与分割中均有效。
引用
@article{arxiv.2008.08946,
title = {Cross-Modality Multi-Atlas Segmentation Using Deep Neural Networks},
author = {Wangbin Ding and Lei Li and Xiahai Zhuang and Liqin Huang},
journal= {arXiv preprint arXiv:2008.08946},
year = {2020}
}