双流金字塔配准网络
计算机视觉与模式识别
2023-04-04 v2
摘要
我们提出一种用于无监督 3D 医学图像配准的双流金字塔配准网络(称为 Dual-PRNet)。与近期基于 CNN 的配准方法(如 VoxelMorph)通过单流编码器-解码器网络从一对 3D 体数据计算配准场不同,我们设计了一种双流架构,能够从卷积特征金字塔计算多尺度配准场。我们的贡献有两方面:(i) 我们设计了一个双流 3D 编码器-解码器网络,对一对输入体数据分别计算出两个卷积特征金字塔,从而得到对形变估计有意义的强深度表示;(ii) 我们提出了一个金字塔配准模块,能够直接从解码特征金字塔预测多尺度配准场。这使其能够通过顺序扭曲以由粗到细的方式逐步细化配准场,并赋予模型处理两体数据间显著形变(如空间域或切片空间中的大位移)的能力。所提出的 Dual-PRNet 在两个脑 MRI 配准标准基准上进行了评估,其大幅优于最先进的方法,例如,在平均 Dice 分数上,相较近期的 VoxelMorph [2] 在 LPBA40 上从 0.683 提升至 0.778,在 Mindboggle101 上从 0.511 提升至 0.631。代码见:https://github.com/kangmiao15/Dual-Stream-PRNet-Plus。
引用
@article{arxiv.1909.11966,
title = {Dual-Stream Pyramid Registration Network},
author = {Miao Kang and Xiaojun Hu and Weilin Huang and Matthew R. Scott and Mauricio Reyes},
journal= {arXiv preprint arXiv:1909.11966},
year = {2023}
}
备注
Published in Medical Image Analysis, 2022