深度迭代式 2D/3D 配准
计算机视觉与模式识别
2021-10-05 v1 机器学习
图像与视频处理
摘要
基于深度学习的 2D/3D 配准方法具有高度鲁棒性,但往往缺乏临床应用所需的配准精度。将经典的基于优化的 2D/3D 配准方法作为细化步骤与基于深度学习的技术结合使用,可提供所需精度,但也会增加运行时间。在本工作中,我们提出一种新颖的深度学习驱动的 2D/3D 配准框架,可端到端用于迭代配准任务,无需依赖任何进一步的细化步骤。我们通过使用点对面对应关系学习 2D/3D 配准框架的更新步来实现这一点。更新步利用基于迭代残差细化的光流估计进行学习,并结合作为已知算子嵌入的点对面对应求解器。我们提出的方法平均运行时间约 8 秒,平均重投影距离误差为 0.60 ± 0.40 mm,成功率为 97%,捕获范围为 60 mm。高配准精度、高鲁棒性与快速运行时间的结合使我们的方案成为临床应用的理想选择。
引用
@article{arxiv.2107.10004,
title = {Deep Iterative 2D/3D Registration},
author = {Srikrishna Jaganathan and Jian Wang and Anja Borsdorf and Karthik Shetty and Andreas Maier},
journal= {arXiv preprint arXiv:2107.10004},
year = {2021}
}
备注
10 pages,2 figures, Accepted at MICCAI 2021