Fourier-Net+：利用带限表示实现高效三维医学图像配准
图像与视频处理
2023-07-07 v1 计算机视觉与模式识别
摘要
U-Net 风格网络常用于无监督图像配准以预测稠密位移场，而对于高分辨率体数据而言，这是一项资源密集且耗时的任务。为应对该挑战，我们首先提出 Fourier-Net，其以无参数的模型驱动解码器取代昂贵的 U-Net 风格扩展路径。我们的 Fourier-Net 不直接预测全分辨率位移场，而是学习带限傅里叶域中位移场的低维表示，由模型驱动解码器将其转换为空间域中的全分辨率位移场。在 Fourier-Net 基础上，我们进一步引入 Fourier-Net+，其额外将图像的带限空间表示作为输入，并进一步减少 U-Net 风格网络收缩路径中的卷积层数量。最后，为提升配准性能，我们提出了 Fourier-Net+ 的级联版本。我们在三个数据集上评估所提方法，结果表明我们提出的 Fourier-Net 及其变体取得了与当前最先进方法相当的结果，同时具有更快的推理速度、更低的内存占用以及更少的乘加运算量。凭借如此小的计算代价，我们的 Fourier-Net+ 使得在低显存 GPU 上高效训练大规模三维配准成为可能。我们的代码公开于 \url{https://github.com/xi-jia/Fourier-Net}。
引用
@article{arxiv.2307.02997,
title = {Fourier-Net+: Leveraging Band-Limited Representation for Efficient 3D Medical Image Registration},
author = {Xi Jia and Alexander Thorley and Alberto Gomez and Wenqi Lu and Dipak Kotecha and Jinming Duan},
journal= {arXiv preprint arXiv:2307.02997},
year = {2023}
}
备注
Under review. arXiv admin note: text overlap with arXiv:2211.16342