通过自适应损失加权与合成数据生成学习深度腹部CT配准
图像与视频处理
2023-02-28 v3 计算机视觉与模式识别
摘要
目的：本研究旨在探索改进基于卷积神经网络的图像到图像可变形配准在腹部成像中应用的训练策略。方法：我们考虑了不同的训练策略、损失函数和迁移学习方案。此外，还提出了一个能动态生成人工训练图像对的增强层，以及一个能实现动态损失加权的损失层。结果：在训练阶段使用分割结果引导配准，证明对基于深度学习的图像配准有益。将从脑部MRI数据集预训练的模型微调至腹部CT数据集，进一步提升了后者应用上的性能，消除了对大数据集以获得满意性能的需求。动态损失加权也略微提升了性能，且均不影响推理运行时间。结论：我们利用简单的概念，提升了常用深度图像配准架构 VoxelMorph 的性能。在未来的工作中，我们的框架 DDMR 应在不同数据集上进行验证，以进一步评估其价值。
引用
@article{arxiv.2211.15717,
title = {Learning deep abdominal CT registration through adaptive loss weighting and synthetic data generation},
author = {Javier Pérez de Frutos and André Pedersen and Egidijus Pelanis and David Bouget and Shanmugapriya Survarachakan and Thomas Langø and Ole-Jakob Elle and Frank Lindseth},
journal= {arXiv preprint arXiv:2211.15717},
year = {2023}
}
备注
14 pages, 1 figure, 4 tables