用于训练数据无关图像配准的生成对抗网络与域适应
图像与视频处理
2020-03-30 v2 计算机视觉与模式识别
摘要
医学图像配准是多模态图像及涉及多次就诊的时序数据自动分析中的一项重要任务。传统方法虽适用于不同图像类型，但耗时较长。近来，提出的基于深度学习(DL)的图像配准方法在精度与速度上优于传统方法。然而，基于 DL 的方法严重依赖训练数据，在面临不同扫描仪或解剖结构的图像时泛化性差。我们提出了一种基于 DL 的方法，能够在以某一图像类型训练的情况下，对另一图像类型执行医学图像配准。这通过配准过程中的无监督域适应实现，可更便捷地应用于不同数据集而无需大量重训练。为达成目标，我们训练一个网络，利用自编码器将给定输入图像对变换为潜特征空间向量。所得编码特征空间借助生成对抗网络(GANs)生成配准图像。该特征变换增强了对输入图像类型的不变性。在胸部 X 光、视网膜及脑 MR 图像上的实验表明，我们的方法在单一数据集上训练后，对其他数据集的配准性能更优，胜过了未引入域适应的常规方法。
引用
@article{arxiv.1910.08593,
title = {Generative Adversarial Networks And Domain Adaptation For Training Data Independent Image Registration},
author = {Dwarikanath Mahapatra},
journal= {arXiv preprint arXiv:1910.08593},
year = {2020}
}