FAIM——一种用于无监督三维医学图像配准的卷积网络方法
计算机视觉与模式识别
2019-07-02 v2
摘要
我们提出一种新的无监督学习算法“FAIM”，用于三维医学图像配准。该网络采用与流行的“U-net”不同的架构，接收一对完整图像体作为输入并预测将源图像配准到目标图像所需的位移场。相较于基于“U-net”的配准网络（如 VoxelMorph），FAIM 具有更少的可训练参数，但能在 Mindboggle-101 数据集上以区域标签的 Dice 分数衡量的配准精度更高。此外，通过对负雅可比行列式施加所提出的惩罚损失，FAIM 产生的形变具有少得多的“折叠”，即表面自身折叠的非可逆区域。在我们的实验中，我们改变该惩罚的强度，并考察配准精度和非可逆性（以“折叠”位置数量衡量）的变化。我们发现，在一系列超参数下（两个网络使用相同取值），FAIM 能同时保持比 VoxelMorph 精度更高且“折叠”位置更少的优势。进一步，在权衡配准精度以换取更好可逆性时，FAIM 所需牺牲的配准精度更少。本文代码将在发表后公开。
引用
@article{arxiv.1811.09243,
title = {FAIM -- A ConvNet Method for Unsupervised 3D Medical Image Registration},
author = {Dongyang Kuang and Tanya Schmah},
journal= {arXiv preprint arXiv:1811.09243},
year = {2019}
}