DeepFLASH：一种用于基于学习的医学图像配准的高效网络
图像与视频处理
2020-04-07 v1 计算机视觉与模式识别
摘要
本文提出 DeepFLASH，一种用于基于学习的医学图像配准、具有高效训练与推理的新型网络。与现有在高维成像空间中从训练数据学习空间变换的方法不同，我们完全在低维带限空间中构建新的配准网络。这极大降低了昂贵的训练与推理的计算成本和内存占用。为实现该目标，我们首先引入复数值运算与神经网络架构的表示，其为基于学习的配准模型提供关键组件。随后我们构造了在带限空间中完全表征、参数化大幅减少的变换场显式损失函数。实验结果表明，我们的方法比最先进的基于深度学习的图像配准方法显著更快，同时产生同样精确的配准。我们在两个不同的图像配准应用中展示了算法：2D 合成数据与 3D 真实脑磁共振（MR）图像。我们的代码见 https://github.com/jw4hv/deepflash。
引用
@article{arxiv.2004.02097,
title = {DeepFLASH: An Efficient Network for Learning-based Medical Image Registration},
author = {Jian Wang and Miaomiao Zhang},
journal= {arXiv preprint arXiv:2004.02097},
year = {2020}
}