ERNet：神经影像数据中无监督的集体提取与配准
计算机视觉与模式识别
2022-12-08 v1
摘要
脑提取与配准是神经影像数据分析中的重要预处理步骤，其目标是从 MRI 扫描中提取脑区（即提取步骤）并将其与目标脑图像对齐（即配准步骤）。传统研究主要在监督设定下分别针对提取与配准任务开发方法。这些方法的性能高度依赖于训练样本的数量以及专家为纠错所做的视觉检查。然而，在许多医学研究中，收集体素级标签并在高维神经图像（如 3D MRI）中进行人工质量控制非常昂贵且耗时。此外，脑提取与配准在神经影像数据中高度相关，应被集体求解。本文研究神经影像数据中无监督的集体提取与配准问题。我们提出一个统一的端到端框架，称为 ERNet（提取-配准网络），以联合优化提取与配准任务，使二者间可相互反馈。具体而言，我们使用一对多阶段提取与配准模块来学习提取掩码与变换，其中提取网络逐步提升提取精度，配准网络依次对提取出的图像进行形变直至其与目标图像良好对齐。在真实数据集上的实验结果表明，我们所提方法能有效提升神经影像数据中提取与配准任务的性能。我们的代码与数据可在 https://github.com/ERNetERNet/ERNet 获取。
引用
@article{arxiv.2212.03306,
title = {ERNet: Unsupervised Collective Extraction and Registration in Neuroimaging Data},
author = {Yao Su and Zhentian Qian and Lifang He and Xiangnan Kong},
journal= {arXiv preprint arXiv:2212.03306},
year = {2022}
}
备注
Published as a research track paper at KDD 2022. Code: https://github.com/ERNetERNet/ERNet