基于深度网络先验的可变形图像配准：一项针对纵向 PET 图像的研究
图像与视频处理
2022-08-10 v2 计算机视觉与模式识别
摘要
纵向图像配准具有挑战性，且尚未因深度学习而获得显著的性能提升。受 Deep Image Prior 启发，本文引入了一种将深度架构作为正则化器以应对图像配准问题的不同用法。我们提出一种称为 MIRRBA 的受试者特定可变形配准方法，依赖深度金字塔架构作为约束形变场的先验参数模型。不同于监督学习范式，MIRRBA 不需要学习数据库，仅需待配准的图像对来优化网络参数并提供形变场。我们展示了深度架构的正则化能力，并给出了理解架构在深度学习配准方法中作用的新要素。为此，为研究网络参数的影响，我们在一个包含 110 例转移性乳腺癌全身 PET 图像及脑、膀胱和转移病灶手动分割的私有数据集上以不同架构配置运行了本方法。我们将其与传统的迭代配准方法和监督深度学习模型进行比较。全局与局部配准精度分别使用检测率和 Dice 分数评估，而配准真实性使用雅可比行列式评估。此外，我们计算了不同方法缩小消失病灶的能力，以消失率衡量。MIRRBA 显著提升了监督和模型的器官与病灶 Dice 分数。在消失率方面，MIRRBA 将表现最佳的传统方法 SyNCC 的分数提升了一倍以上。因此，我们的工作提出了一种弥合传统方法与深度学习方法之间性能差距的替代途径，并展示了深度架构的正则化能力。
引用
@article{arxiv.2111.11873,
title = {Deformable image registration with deep network priors: a study on longitudinal PET images},
author = {Constance Fourcade and Ludovic Ferrer and Noemie Moreau and Gianmarco Santini and Aishlinn Brennan and Caroline Rousseau and Marie Lacombe and Vincent Fleury and Mathilde Colombié and Pascal Jézéquel and Mario Campone and Mathieu Rubeaux and Diana Mateus},
journal= {arXiv preprint arXiv:2111.11873},
year = {2022}
}
备注
11 pages 3 figures in the main article 2 tables in the main article 2 figures in supplementary material