用于结构引导图像配准的图像与空间Transformer网络
计算机视觉与模式识别
2019-07-23 v1 机器学习
摘要
基于深度神经网络的图像配准已成为医学成像中一个长期存在的问题的活跃研究领域和令人振奋的方向。其目标是学习一个复杂函数，将输入图像对的外观映射到空间变换的参数，以对齐相应的解剖结构。我们认为并证明，当前的直接、非迭代方法是次优的，特别是在我们寻求感兴趣结构（SoI）的精确对齐时。关于SoI的信息在训练时通常是可用的，例如以分割或地标的形式。我们引入了一个新颖的通用框架，图像与空间Transformer网络（ISTNs），以利用SoI信息，使我们能够学习为下游配准任务优化后的新图像表示。得益于这些表示，我们可以采用针对测试的、对变换参数的迭代细化，即使训练数据非常有限也能产生高度准确的配准。性能在成对3D脑配准和说明性合成数据上得到展示。
引用
@article{arxiv.1907.09200,
title = {Image-and-Spatial Transformer Networks for Structure-Guided Image Registration},
author = {Matthew C. H. Lee and Ozan Oktay and Andreas Schuh and Michiel Schaap and Ben Glocker},
journal= {arXiv preprint arXiv:1907.09200},
year = {2019}
}
备注
Accepted at MICCAI 2019. Code available on https://github.com/biomedia-mira/istn