扩散张量驱动的图像配准：一种深度学习方法
图像与视频处理
2020-05-15 v1
摘要
追踪发育中大脑的微观结构变化依赖于准确的受试者间图像配准。然而，大多数方法仅依赖结构或扩散数据来学习两幅或多幅图像之间的空间对应关系，而未考虑同时使用两者所提供的互补信息。在此，我们提出一种深度学习配准框架，将 T2 加权（T2w）图像提供的结构信息与扩散张量成像（DTI）扫描提供的丰富微观结构信息相结合。我们进行了留一交叉验证研究，在 Dice 分数和分数各向异性（FA）图差异方面，将我们的多模态配准模型与仅在结构数据上训练的基线模型进行比较。我们的结果表明，就平均 Dice 分数而言，与仅使用结构数据相比，我们的模型在皮质下区域表现更好。此外，变形后 FA 图与固定 FA 图之间的平均平方和差异表明，我们提出的模型在对齐扩散数据方面表现更好。
引用
@article{arxiv.2005.06926,
title = {Diffusion tensor driven image registration: a deep learning approach},
author = {Irina Grigorescu and Alena Uus and Daan Christiaens and Lucilio Cordero-Grande and Jana Hutter and A. David Edwards and Joseph V. Hajnal and Marc Modat and Maria Deprez},
journal= {arXiv preprint arXiv:2005.06926},
year = {2020}
}