具有区域一致性约束的双流变换网络用于可变形图像配准
计算机视觉与模式识别
2022-06-07 v2
摘要
可变形图像配准能够实现一对图像之间快速而准确的对齐，因此在许多医学图像研究中发挥着重要作用。当前基于深度学习（DL）的图像配准方法利用卷积神经网络直接学习从一幅图像到另一幅图像的空间变换，需要真值或相似性度量。然而，这些方法仅使用全局相似性能量函数评估一对图像的相似性，忽略了图像内感兴趣区域（ROIs）的相似性。此外，基于DL的方法通常直接估计图像的全局空间变换，从未关注图像内ROI的区域空间变换。本文提出一种新颖的具有区域一致性约束的双流变换网络，其最大化一对图像内ROI的相似性并同时估计全局与区域空间变换。在四个公开3D MRI数据集上的实验表明，与其他最先进方法相比，所提方法在准确性和泛化性上均取得了最佳的配准性能。
引用
@article{arxiv.2112.02249,
title = {Dual-Flow Transformation Network for Deformable Image Registration with Region Consistency Constraint},
author = {Xinke Ma and Yibo Yang and Yong Xia and Dacheng Tao},
journal= {arXiv preprint arXiv:2112.02249},
year = {2022}
}
备注
This paper have some errors for experiment results, thus we want to withdraw this paper. We will update the revised paper. This paper is not published in any journal or conference