快速预测性多模态图像配准
计算机视觉与模式识别
2017-04-03 v1
摘要
我们引入了一种深度编码器-解码器架构，用于从多模态图像中预测图像形变。具体而言，我们设计了一个基于图像块的深度网络，它联合学习图像相似性度量和图像块与形变参数之间的关系。虽然我们的方法可以应用于一般的图像配准公式，但我们专注于大形变微分同胚度量映射（LDDMM）配准模型。通过预测 LDDMM 射击公式的初始动量，我们保留了其数学性质，并与基于优化的方法相比大幅减少了计算时间。此外，我们创建了该网络的贝叶斯概率版本，允许在测试时通过对网络进行采样来评估配准不确定性。我们在使用 T1 加权和 T2 加权图像的 3D 脑 MRI 数据集上评估了我们的方法。我们的实验表明，我们的方法生成了准确的预测，并且学习相似性度量比依赖通用的多模态图像相似性度量（如互信息）产生更一致的配准。我们的方法比基于优化的 LDDMM 快一个数量级。
关键词
引用
@article{arxiv.1703.10902,
title = {Fast Predictive Multimodal Image Registration},
author = {Xiao Yang and Roland Kwitt and Martin Styner and Marc Niethammer},
journal= {arXiv preprint arXiv:1703.10902},
year = {2017}
}
备注
Accepted as a conference paper for ISBI 2017