CycleMorph：循环一致的无监督可变形图像配准
计算机视觉与模式识别
2020-08-14 v1 机器学习
图像与视频处理
机器学习
摘要
图像配准是医学图像分析中的一项基本任务。近来，基于深度学习的图像配准方法因其优异性能及超快计算时间而被广泛研究。然而，现有深度学习方法在通过配准向量场进行形变时，于原始拓扑保持方面仍存在局限。为解决这些问题，我们在此提出一种循环一致的可变形图像配准。循环一致性通过提供隐式正则化以在形变中保持拓扑，从而提升图像配准性能。所提方法十分灵活，可应用于各类应用的2D与3D配准问题，并可轻松扩展至多尺度实现，以应对大体积配准中的内存问题。在来自医学与非医学应用的多种数据集上的实验结果表明，所提方法能在几秒内对多样图像对提供有效且准确的配准。对形变场的定性与定量评估也验证了所提方法循环一致性的有效性。
引用
@article{arxiv.2008.05772,
title = {CycleMorph: Cycle Consistent Unsupervised Deformable Image Registration},
author = {Boah Kim and Dong Hwan Kim and Seong Ho Park and Jieun Kim and June-Goo Lee and Jong Chul Ye},
journal= {arXiv preprint arXiv:2008.05772},
year = {2020}
}