F3RNet：用于可变形图像配准的全分辨率残差配准网络
图像与视频处理
2020-12-08 v3 计算机视觉与模式识别
摘要
可变形图像配准（DIR）对许多图像引导疗法至关重要。近来，深度学习方法在 DIR 中获得了大量关注与成功。多数深度学习方案采用所谓的单流“高到低、低到高”网络结构，并能取得令人满意的整体配准结果。然而，一些严重变形的局部区域的精确对齐（对定位手术目标至关重要）常被忽视。因此，这些方案对一些难以对齐的区域（如变形肝叶的体内配准）不敏感。本文提出一种新颖的无监督配准网络，即全分辨率残差配准网络（F3RNet），用于严重变形器官的可变形配准。所提方法以残差学习方式组合两个并行处理流。一个流利用全分辨率信息以促进准确的体素级配准。另一个流学习深度多尺度残差表示以获得鲁棒识别。我们还对 3D 卷积进行分解以减少训练参数并提升网络效率。我们在临床采集的体内腹部 CT-MRI 数据集与公开的吸气-呼气胸部 CT 数据集上验证了所提方法。在多模态与单模态配准上的实验均显示出优于当前最优方案的 promising 结果。
引用
@article{arxiv.2009.07151,
title = {F3RNet: Full-Resolution Residual Registration Network for Deformable Image Registration},
author = {Zhe Xu and Jie Luo and Jiangpeng Yan and Xiu Li and Jagadeesan Jayender},
journal= {arXiv preprint arXiv:2009.07151},
year = {2020}
}