用于 X 射线与 CT 图像融合的全可微相关性驱动 2D/3D 配准
图像与视频处理
2024-03-18 v2 人工智能
计算机视觉与模式识别
摘要
基于图像的刚性 2D/3D 配准是透视引导外科手术的关键技术。近年来，一些基于学习的全可微方法产生了有益的结果，但特征提取和梯度流传输过程仍缺乏可控性和可解释性。为了缓解这些问题，本文提出了一种新颖的全可微相关性驱动网络，采用双分支 CNN-transformer 编码器，使网络能够从高频局部特征中提取并分离出低频全局特征。进一步提出了一种基于嵌入信息的相关性驱动损失，用于低频特征和高频特征分解。此外，本文应用了一种学习逼近凸形相似度函数的训练策略。我们在内部数据集上测试了该方法，结果表明其性能优于现有的基于全可微学习的配准方法和传统的基于优化的基线方法。
引用
@article{arxiv.2402.02498,
title = {Fully Differentiable Correlation-driven 2D/3D Registration for X-ray to CT Image Fusion},
author = {Minheng Chen and Zhirun Zhang and Shuheng Gu and Zhangyang Ge and Youyong Kong},
journal= {arXiv preprint arXiv:2402.02498},
year = {2024}
}
备注
ISBI 2024