基于双重不确定性引导时空一致性正则化加权的学习型腹部配准
计算机视觉与模式识别
2022-03-03 v3 图像与视频处理
摘要
为应对图像配准问题病态本质带来的困难，正则化常被用于约束解空间。对于大多数基于学习的配准方法，正则化通常具有固定权重且仅约束空间变换。这种惯例有两个局限：（i）除了费力地网格搜索最优固定权重外，特定图像对的正则化强度应与图像内容相关，因此“一值适所有”的训练方案并不理想；（ii）仅对变换进行空间正则化可能忽略一些与病态性相关的有用线索。在本研究中，我们提出了一种基于均值教师的配准框架，其通过鼓励教师模型的预测与学生模型一致，引入了额外的时间一致性正则化项。更重要的是，我们不是搜索固定权重，而是利用教师模型借助变换不确定性和表观不确定性自动调整空间正则化与时间一致性正则化的权重。在具有挑战性的腹部CT-MRI配准上的大量实验表明，我们的训练策略有望在高效超参数调优以及准确性与平滑性间更好权衡方面推进原有的基于学习的方法。
引用
@article{arxiv.2107.02433,
title = {Double-Uncertainty Guided Spatial and Temporal Consistency Regularization Weighting for Learning-based Abdominal Registration},
author = {Zhe Xu and Jie Luo and Donghuan Lu and Jiangpeng Yan and Sarah Frisken and Jayender Jagadeesan and William Wells and Xiu Li and Yefeng Zheng and Raymond Tong},
journal= {arXiv preprint arXiv:2107.02433},
year = {2022}
}
备注
11 pages