使用随机初始化CNN作为正则化先验的可变形医学图像配准
图像与视频处理
2019-08-05 v1 计算机视觉与模式识别
摘要
我们提出使用随机初始化的深度卷积神经网络（CNN）作为正则化先验的可变形无监督医学图像配准方法。传统的配准方法通过最小化图像对之间的差异性来预测变换。该最小化通常由人工设计的先验进行正则化，这限制了配准的潜力。通过学习大规模数据集中的变换先验，CNN在可变形配准中取得了巨大成功。然而，学习方法受限于特定领域数据，且所需的医学数据量难以获取。我们的方法利用深度图像先验的思想，将卷积网络与基于人工设计先验的传统配准方法相结合。所提方法应用于脑MRI扫描。我们表明，我们的方法通过提供密集的逐像素对应图，以最先进的精度配准图像对。它不依赖于先验训练，因此不受限于特定图像域。
引用
@article{arxiv.1908.00788,
title = {Deformable Medical Image Registration Using a Randomly-Initialized CNN as Regularization Prior},
author = {Max-Heinrich Laves and Sontje Ihler and Tobias Ortmaier},
journal= {arXiv preprint arXiv:1908.00788},
year = {2019}
}
备注
Accepted at MIDL 2019 [arXiv:1907.08612]