用于脑磁共振图像引导配准的深度形态简化网络 (MS-Net)
计算机视觉与模式识别
2019-02-07 v1
摘要
目的：由于较大的受试者间解剖变异，可变形脑 MR 图像配准具有挑战性。例如，高度复杂的皮层折叠模式使得难以精确对齐个体图像的相应皮层结构。本文中，我们提出一种新颖的深度学习方法以简化脑 MR 图像的困难配准问题。方法：我们训练一个形态简化网络 (MS-Net)，它可基于“复杂”输入生成具有较少解剖细节的“简单”图像。借助 MS-Net，待配准的固定图像或移动图像的复杂度可被逐步降低，从而构建由 MS-Net 输出表示的个体（简化）轨迹。由于两条轨迹（固定与移动图像）末端的生成图像非常简单且外观上非常相似，它们易于配准。因此，两条轨迹可作为连接固定与移动图像的桥梁，并引导其配准。结果：我们的实验表明所提方法在不同数据集（即 NIREP、LPBA、IBSR、CUMC 和 MGH）上均能取得高度准确的配准性能。此外，该方法也可轻松迁移到不同图像数据集并在表面对齐上获得优越精度。结论与意义：我们提出 MS-Net 作为一种强大且灵活的工具，以简化脑 MR 图像及其配准。据我们所知，这是首个通过深度学习简化脑 MR 图像配准、而非直接估计形变场的工作。
引用
@article{arxiv.1902.02342,
title = {Deep Morphological Simplification Network (MS-Net) for Guided Registration of Brain Magnetic Resonance Images},
author = {Dongming Wei and Zhengwang Wu and Gang Li and Xiaohuan Cao and Dinggang Shen and Qian Wang},
journal= {arXiv preprint arXiv:1902.02342},
year = {2019}
}