基于深度学习的医学图像几何配准：无视觉特征时能有多准？
计算机视觉与模式识别
2021-03-02 v1
摘要
如同医学图像分析的其他领域（如语义分割），深度学习当前正推动图像配准新方法的发展。多尺度编码器-解码器网络架构在诸如腹部 CT 或脑 MRI 的帧内患者对齐等任务上达到了最先进的精度，尤其在存在解剖标签等额外监督时。这些方法的成功在很大程度上依赖于深度 CNN 从输入图像中提取描述性视觉特征的卓越能力。与传统方法相反，几何信息的显式引入即便有也只起次要作用。本文中，我们考察一种完全相反的方法，研究仅基于几何特征与优化的深度学习配准框架。我们将图卷积与循环置信度消息传递相结合，以实现高精度的 3D 点云配准。我们的实验验证在复杂的内肺结构关键点图上进行，大幅优于稠密编码器-解码器网络及其他点集配准方法。我们的代码公开于 https://github.com/multimodallearning/deep-geo-reg。
引用
@article{arxiv.2103.00885,
title = {Deep learning based geometric registration for medical images: How accurate can we get without visual features?},
author = {Lasse Hansen and Mattias P. Heinrich},
journal= {arXiv preprint arXiv:2103.00885},
year = {2021}
}
备注
accepted at IPMI 2021