FiRework：用于提高形变配准效率的领域细化框架
计算机视觉与模式识别
2024-10-15 v1
摘要
形变图像配准仍是临床实践中的基本任务，但解决涉及复杂形变的配准问题仍具有挑战性。当前基于深度学习的配准方法采用连续形变来建模大形变，往往 suffer from 累积的配准误差和插值不准确。此外， achieving satisfactory results 通常需要大量级联阶段，要求大量计算资源。因此，我们提出一种新方法，即领域细化框架（FiRework），针对无监督形变配准进行设计，以解决上述挑战。在FiRework中，我们重新设计连续形变框架以缓解上述误差。值得注意的是，我们的FiRework在训练时仅需要一个递归级别，支持连续推理，相较于连续形变框架具有更好的效能。我们在两个脑MRI数据集上进行了实验，用FiRework增强了两个现有的形变配准网络。实验结果表明，我们提出的框架在形变配准方面表现出色。代码已公开于 https://github.com/ZAX130/FiRework。
引用
@article{arxiv.2410.09595,
title = {FiRework: Field Refinement Framework for Efficient Enhancement of Deformable Registration},
author = {Haiqiao Wang and Dong Ni and Yi Wang},
journal= {arXiv preprint arXiv:2410.09595},
year = {2024}
}