用于多模态可变形图像配准的标签驱动弱监督学习
计算机视觉与模式识别
2018-06-05 v2 机器学习
摘要
将不同模态的医学图像进行空间对齐仍是一项具有挑战性的任务，尤其是对于需要快速且鲁棒算法的术中应用。我们提出了一种弱监督、标签驱动的建模方法，用于从更高层次的标签对应关系中学习三维体素对应，从而绕过经典的基于强度的图像相似度度量。在训练过程中，卷积神经网络通过输出密集位移场（DDF）进行优化，该位移场将移动图像中一组可用的解剖标签变形以匹配固定图像中相应的标签。这些标签对（包括实体器官、导管、血管、点标志及其他特定结构）仅在训练时需要，并可通过最小化变形后移动标签与固定标签的交叉熵函数实现空间对齐。在推理时，训练好的网络接收一对新图像以预测最优DDF，从而实现完全自动、无标签、实时且可变形的配准。对于以大幅全局变换为主的介入应用，我们还提出了一种神经网络架构来联合优化全局与局部位移。实验结果基于111对T2加权磁共振图像与前列腺癌患者的三维经直肠超声图像配准的交叉验证，共涉及超过4000个解剖标签，在地标质心上取得4.2 mm的中位目标配准误差，在前列腺腺体上取得0.88的中位Dice系数。
引用
@article{arxiv.1711.01666,
title = {Label-driven weakly-supervised learning for multimodal deformable image registration},
author = {Yipeng Hu and Marc Modat and Eli Gibson and Nooshin Ghavami and Ester Bonmati and Caroline M. Moore and Mark Emberton and J. Alison Noble and Dean C. Barratt and Tom Vercauteren},
journal= {arXiv preprint arXiv:1711.01666},
year = {2018}
}
备注
Accepted to ISBI 2018