基于神经速度场的微分同胚图像配准
计算机视觉与模式识别
2022-11-03 v5
摘要
微分同胚图像配准提供平滑变换与拓扑保持,是许多医学图像分析任务所需要的。传统方法对容许变换空间施加一定的建模约束,并使用优化来寻找两幅图像间的最优变换。指定合适的容许变换空间具有挑战性:若空间过于受限则配准质量可能较差,而若空间过于宽泛则优化难以求解。近期基于学习的方法利用深度神经网络直接学习变换,实现了快速推理,但因难以捕捉微小局部形变及泛化能力而面临精度挑战。在此我们提出一种名为 DNVF(基于神经速度场的微分同胚图像配准)的基于优化的新方法,其利用深度神经网络对容许变换空间建模。使用具有正弦激活函数的多层感知机(MLP)表示连续速度场,并为空间中每一点分配速度向量,提供了建模复杂形变的灵活性以及优化的便利性。此外,我们结合优化与基于学习方法的优势提出级联图像配准框架(Cas-DNVF),其中训练全卷积神经网络(FCN)预测初始形变,随后由 DNVF 进一步细化。在两个大规模 3D MR 脑扫描数据集上的实验表明,我们提出的方法显著优于最先进的配准方法。
引用
@article{arxiv.2202.12498,
title = {Diffeomorphic Image Registration with Neural Velocity Field},
author = {Kun Han and Shanlin sun and Xiangyi Yan and Chenyu You and Hao Tang and Junayed Naushad and Haoyu Ma and Deying Kong and Xiaohui Xie},
journal= {arXiv preprint arXiv:2202.12498},
year = {2022}
}
备注
WACV 2023