IGCN：用于 2D/3D 可变形配准的图卷积网络
图像与视频处理
2022-08-01 v1 计算机视觉与模式识别
机器学习
摘要
基于治疗中单投影图像的器官形状重建具有广泛的临床前景，例如影像引导放疗与手术导航。我们提出一种图卷积网络，可对单视角 2D 投影图像实现 3D 器官网格的可变形配准。该框架能够同时训练两类变换：从 2D 投影图像到位移图，以及从逐顶点采样特征到满足网格结构几何约束的 3D 位移。假设应用于放疗，该 2D/3D 可变形配准性能针对迄今未被作为目标的多个腹部器官（即肝脏、胃、十二指肠与肾脏）以及胰腺癌进行了验证。实验结果表明，考虑多器官间关系的形状预测可用于从数字重建放射影像中以临床可接受的精度预测呼吸运动与形变。
引用
@article{arxiv.2111.00484,
title = {IGCN: Image-to-graph Convolutional Network for 2D/3D Deformable Registration},
author = {Megumi Nakao and Mitsuhiro Nakamura and Tetsuya Matsuda},
journal= {arXiv preprint arXiv:2111.00484},
year = {2022}
}