GroupRegNet：一种基于深度学习的组wise一次性 4D 图像配准方法
图像与视频处理
2021-01-15 v2
摘要
准确的形变四维（4D）（空间三维加时间）医学图像配准在多种医学应用中至关重要。基于深度学习的方法因显著更低的推理时间近来在该领域广受欢迎。然而，它们存在精度非最优以及需要大量训练数据的缺陷。本文提出一种名为 GroupRegNet 的新方法来解决这两个局限。通过一次性学习获得将组内所有图像形变到公共模板的形变场。隐式模板的使用减少了与指定参考图像相关的偏置和累积误差。该一次性学习策略类似于传统的迭代优化方法，但运动模型与参数被卷积神经网络（CNN）及网络权重所替代。GroupRegNet 还具有更简单的网络设计和更直接的配准流程，从而无需将输入图像分块。所提方法在两个公开呼吸分箱 4D-CT 数据集上进行了定量评估。结果表明 GroupRegNet 优于最新发表的基于深度学习的方法，并与顶尖传统方法 pTVreg 相当。为便利未来研究，源代码发布于 https://github.com/vincentme/GroupRegNet。
引用
@article{arxiv.2009.02613,
title = {GroupRegNet: A Groupwise One-shot Deep Learning-based 4D Image Registration Method},
author = {Yunlu Zhang and Xue Wu and H. Michael Gach and Harold Li and Deshan Yang},
journal= {arXiv preprint arXiv:2009.02613},
year = {2021}
}