基于深度配准与标签融合的跨模态多图谱分割
图像与视频处理
2022-03-29 v3 计算机视觉与模式识别
机器学习
摘要
多图谱分割（MAS）是一种有前景的医学图像分割框架。通常，MAS 方法将多个图谱（即带有对应标签的医学图像）配准到目标图像；变换后的图谱标签可通过标签融合方案组合以生成目标分割。许多传统 MAS 方法使用与目标图像同模态的图谱。然而，在许多临床应用中，同模态图谱的数量可能有限甚至缺失。此外，传统 MAS 方法受限于配准或标签融合过程的计算负担。在本工作中，我们设计了一种新颖的跨模态 MAS 框架，其使用来自某一模态的可用图谱来分割来自另一模态的目标图像。为提升框架的计算效率，图像配准与标签融合均由精心设计的深度神经网络实现。对于图谱到目标图像的配准，我们提出双向配准网络（BiRegNet），可高效对齐不同模态的图像。对于标签融合，我们设计相似度估计网络（SimNet），通过测量每个图谱与目标图像的相似度来估计其融合权重。SimNet 可学习多尺度信息用于相似度估计，以提升标签融合性能。所提框架在 MM-WHS 和 CHAOS 数据集上分别通过左心室和肝脏分割任务进行了评估。结果表明该框架在配准与标签融合方面均对跨模态 MAS 有效。
引用
@article{arxiv.2202.02000,
title = {Cross-Modality Multi-Atlas Segmentation via Deep Registration and Label Fusion},
author = {Wangbin Ding and Lei Li and Xiahai Zhuang and Liqin Huang},
journal= {arXiv preprint arXiv:2202.02000},
year = {2022}
}