在图像配准网络中嵌入基于梯度的优化
图像与视频处理
2022-09-13 v2 计算机视觉与模式识别
摘要
深度学习（DL）图像配准方法通过训练深度神经网络在一次快速前向传播中预测最优变换，来分摊昂贵的成对迭代优化代价。本工作中，我们弥合传统基于迭代能量优化的配准与基于网络的配准之间的差距，并提出用于图像配准的梯度下降网络（Gradient Descent Network for Image Registration, GraDIRN）。我们提出的方法训练一个 DL 网络，在其前向传播中嵌入展开的多分辨率基于梯度的能量优化，其更新步骤中显式强制图像不相似度最小化。使用 2D 心脏 MR 与 3D 脑 MR 图像在配准任务上进行了广泛评估。我们证明，我们的方法在使用更少可学习参数的同时实现了最先进的配准性能，并具备良好的数据效率与域鲁棒性。
引用
@article{arxiv.2112.03915,
title = {Embedding Gradient-based Optimization in Image Registration Networks},
author = {Huaqi Qiu and Kerstin Hammernik and Chen Qin and Chen Chen and Daniel Rueckert},
journal= {arXiv preprint arXiv:2112.03915},
year = {2022}
}
备注
Accepted by International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) 2022