FlowReg：基于光流的可变形无监督医学图像配准快速方法
计算机视觉与模式识别
2021-09-02 v2 图像与视频处理
摘要
我们提出FlowReg，一种基于深度学习的无监督图像配准框架，用于神经成像应用。该系统由两个依次训练的架构组成：FlowReg-A在3D中对移动与固定体量之间的整体差异进行仿射校正，随后FlowReg-O在2D中以逐切片方式执行像素级形变以进行微调。仿射网络基于相关性损失函数回归3D仿射矩阵，该损失函数强制全局相似性。可变形网络基于光流网络FlowNet-Simple在2D图像切片上运行，但具有三个损失分量。光度损失最小化像素强度差异，平滑损失鼓励相邻向量间具有相似幅值，以及用于保持固定与移动图像切片间强度相似性的相关性损失。所提方法与四种开源配准技术ANTs、Demons、SE和Voxelmorph进行比较。总共使用了来自痴呆和血管疾病队列的4643个FLAIR MR成像体数据，采集自60多个具有不同采集参数的国际中心。提出了一系列定量的新型配准验证指标，关注组织结构完整性、空间对齐和强度相似性。实验结果表明，FlowReg（FlowReg-A+O）在强度和空间对齐指标上优于基于迭代的配准算法，像素一致性为0.65，相关系数为0.80，互信息为0.29。在深度学习框架中，FlowReg-A或FlowReg-A+O在除一个指标外的所有指标上均提供最高性能。结果表明，FlowReg能够在保持解剖与病理形态结构的同时获得高强度和空间相似性。
引用
@article{arxiv.2101.09639,
title = {FlowReg: Fast Deformable Unsupervised Medical Image Registration using Optical Flow},
author = {Sergiu Mocanu and Alan R. Moody and April Khademi},
journal= {arXiv preprint arXiv:2101.09639},
year = {2021}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org