仅解码器图像配准
计算机视觉与模式识别
2024-02-07 v1 图像与视频处理
摘要
在无监督医学图像配准中，主流方法涉及使用编码器-解码器网络架构，能够从给定的成对图像中精确预测密集的全分辨率位移场。尽管该架构在文献中被广泛使用，但我们认为有必要让编码器和解码器在此类架构中均可学习。为此，本文提出一种新颖的网络架构，称为 LessNet，它仅包含一个可学习的解码器，而完全省略了可学习编码器的使用。LessNet 用简单的手工特征替代了可学习编码器，从而完全消除了在编码器中学习（优化）网络参数的需要。因此，这为 3D 医学图像配准带来了一种紧凑、高效且仅含解码器的架构。在两个公开的脑部 MRI 数据集上进行评估，我们证明我们的仅解码器 LessNet 能够有效且高效地学习 3D 中的密集位移场和微分同胚形变场。此外，我们的仅解码器 LessNet 可以达到与 VoxelMorph 和 TransMorph 等最先进方法相当的配准性能，同时所需的计算资源显著减少。我们的代码和预训练模型可在 https://github.com/xi-jia/LessNet 获取。
引用
@article{arxiv.2402.03585,
title = {Decoder-Only Image Registration},
author = {Xi Jia and Wenqi Lu and Xinxing Cheng and Jinming Duan},
journal= {arXiv preprint arXiv:2402.03585},
year = {2024}
}