深度可变形配准：通过全卷积神经网络提升精度
计算机视觉与模式识别
2016-11-29 v1
摘要
可变形配准在医学图像分析中无处不在。许多可变形配准方法通过最小化平方差和（SSD）作为配准代价来优化可变形模型参数。在本工作中，我们在配准流程中使用全卷积神经网络（FCNN），构建了 SSD 配准代价的一个紧上界。该上界 SSD（UB-SSD）通过添加 FCNN 的热图输出增强了原始可变形模型参数空间。接着，我们通过坐标下降法调整 FCNN 的参数和可变形模型的参数，以最小化该 UB-SSD。我们的坐标下降框架是端到端的，可与任何使用 SSD 的可变形配准方法协同工作。实验表明，我们的方法在两个公开的 3D 脑部 MRI 数据集上显著提升了可变形配准算法的精度。
引用
@article{arxiv.1611.08796,
title = {Deep Deformable Registration: Enhancing Accuracy by Fully Convolutional Neural Net},
author = {Sayan Ghosal and Nilanjan Ray},
journal= {arXiv preprint arXiv:1611.08796},
year = {2016}
}