Deform-GAN：一种用于可变形配准的无监督学习模型
计算机视觉与模式识别
2020-02-27 v1
摘要
可变形配准是医学图像分析领域最具挑战性的任务之一，尤其是对于不同序列与模态之间的对齐。本文提出了一种利用无监督学习处理 3D 医学图像的非刚性配准方法。据我们所知，这是首次尝试将梯度损失引入基于深度学习的配准中。所提出的梯度损失对于大形变在序列与模态间具有鲁棒性。此外，采用对抗学习（adversarial learning）方法将多模态相似性转化为单模态相似性并提升精度。训练过程既不需要真值（ground-truth）也不需要人工标注。我们在 3D 脑配准任务上对我们的网络进行了综合评估。实验表明，所提方法能够处理具有非功能性强度关系、噪声与模糊的数据。我们的方法在精度与速度上尤其优于其他方法。
引用
@article{arxiv.2002.11430,
title = {Deform-GAN:An Unsupervised Learning Model for Deformable Registration},
author = {Xiaoyue Zhang and Weijian Jian and Yu Chen and Shihting Yang},
journal= {arXiv preprint arXiv:2002.11430},
year = {2020}
}