基于卷积神经网络的端到端无监督可变形图像配准
计算机视觉与模式识别
2017-12-08 v1
摘要
在本工作中，我们提出一种用于可变形图像配准的深度学习网络（DIRNet）。DIRNet由一个卷积神经网络（ConvNet）回归器、一个空间变换器和一个重采样器组成。ConvNet分析一对固定图像和移动图像，并输出空间变换器的参数，该变换器生成位移矢量场，使重采样器能够将移动图像扭曲到固定图像。DIRNet通过无监督地优化输入图像对之间的相似性度量进行端到端训练。训练好的DIRNet可以一次性应用于未见过的图像对进行配准，因此是非迭代的。评估使用手写数字图像（MNIST）和心脏电影MR扫描（Sunnybrook Cardiac Data）的配准进行。结果表明，DIRNet的配准精度与传统可变形图像配准方法相当，且执行时间大幅缩短。
引用
@article{arxiv.1704.06065,
title = {End-to-End Unsupervised Deformable Image Registration with a Convolutional Neural Network},
author = {Bob D. de Vos and Floris F. Berendsen and Max A. Viergever and Marius Staring and Ivana Išgum},
journal= {arXiv preprint arXiv:1704.06065},
year = {2017}
}