通过表观调整网络增强医学图像配准
计算机视觉与模式识别
2022-09-20 v2 人工智能
图像与视频处理
摘要
可变形图像配准是许多医学图像分析的基础。准确图像配准的一个关键障碍在于图像表观变化，例如纹理、强度和噪声方面的变化。这些变化在医学图像中显而易见，尤其在频繁使用配准的脑图像中。近来，基于深度学习的配准方法（DLRs）利用深度神经网络，已展现出比传统基于优化的配准方法（ORs）快几个数量级的计算效率。DLRs 依赖一个用一组训练样本训练的全局优化网络来实现更快配准。然而，DLRs 往往忽略 ORs 中固有的针对目标图像对特定的优化，从而对已测试样本变化的适应性下降。这一局限在配准具有大表观变化的医学图像时尤为严重，尤其因为现有 DLRs 很少显式考虑表观变化。本研究中，我们提出一种表观调整网络（AAN）来增强 DLRs 对表观变化的适应性。我们的 AAN 在嵌入 DLR 时，提供表观变换以减少配准过程中的表观变化。此外，我们提出一种解剖约束损失函数，通过它我们的 AAN 生成保留解剖的变换。我们的 AAN 特意设计为可轻松插入多种 DLRs 中，并能以无监督端到端方式协同训练。我们在三个成熟的 3D 脑磁共振成像（MRI）公共数据集上，用三种最先进 DLRs 评估了我们的 AAN。结果表明，我们的 AAN 一致地改进了现有 DLRs，并在配准精度上优于最先进 ORs，同时对现有 DLRs 仅增加极少计算负担。
引用
@article{arxiv.2103.05213,
title = {Enhancing Medical Image Registration via Appearance Adjustment Networks},
author = {Mingyuan Meng and Lei Bi and Michael Fulham and David Dagan Feng and Jinman Kim},
journal= {arXiv preprint arXiv:2103.05213},
year = {2022}
}
备注
Published at NeuroImage