跨域可变形图像配准的编码匹配准则
计算机视觉与模式识别
2024-06-19 v1
摘要
大多数现有的深度学习基于配准方法是在 single-type 图像上训练，以解决 same-domain 任务。然而，cross-domain 可变形配准仍具有挑战性。我们认为，传统配准方法中量身定制的匹配准则是其适用于不同域的主要原因之一。受此启发，我们设计了一种面向配准的编码器来建模图像特征和结构特征的匹配准则，这有助于提高配准精度和适应性。具体而言，提出了通用特征编码器（Encoder-G）来捕获全面的医学图像特征，而结构特征编码器（Encoder-S）被设计用于将结构自相似性编码到全局表示中。针对来自三个不同域的图像进行了广泛实验，证明了所提方法的有效性。此外，通过使用 one-shot learning 更新 Encoder-S，我们的方法能够有效适应不同域。代码已公开 available at https://github.com/JuliusWang-7/EncoderReg。
引用
@article{arxiv.2406.12350,
title = {Encoding Matching Criteria for Cross-domain Deformable Image Registration},
author = {Zhuoyuan Wang and Haiqiao Wang and Yi Wang},
journal= {arXiv preprint arXiv:2406.12350},
year = {2024}
}
备注
10 pages, 6 figures