基于正则化动态图 CNN 学习可变形点集配准用于 COPD 患者肺部大运动
计算机视觉与模式识别
2019-09-18 v1
摘要
可变形配准仍是医学图像分析中的关键挑战之一。虽然基于图像的配准方法已开始受益于医学深度学习的最新进展,但点集配准(例如基于表面、关键点或地标的配准)尚不适用。这主要由于现代 CNN 中卷积算子局限于密集网格化输入。然而,随着几何深度学习领域新开发的方法,合适的工具正在涌现,使得能够对不规则域上的医学数据进行有力分析。在本工作中,我们提出一种新方法,可利用动态图 CNN 学习正则化特征描述子。通过将学习到的几何特征作为先验概率纳入表述为可微分网络层的成熟连贯点漂移(CPD)算法中,我们建立了用于两组点集鲁棒配准的端到端框架。我们的方法在具有大形变且无任何额外强度信息的吸气与呼气状态肺部 CT 扫描提取关键点的对齐这一挑战性任务上进行了评估。我们的结果表明,所提取关键点的固有几何结构足以建立具有描述性的点特征,从而显著提升了我们配准框架的性能与鲁棒性。
引用
@article{arxiv.1909.07818,
title = {Learning Deformable Point Set Registration with Regularized Dynamic Graph CNNs for Large Lung Motion in COPD Patients},
author = {Lasse Hansen and Doris Dittmer and Mattias P. Heinrich},
journal= {arXiv preprint arXiv:1909.07818},
year = {2019}
}
备注
accepted for MICCAI 2019 Workshop Graph Learning in Medical Imaging