学习具有解剖约束的医学图像可变形配准
图像与视频处理
2020-02-03 v2 计算机视觉与模式识别
摘要
可变形图像配准是医学图像分析领域的一个基本问题。在过去几年中，我们见证了基于深度学习的图像配准方法的出现，其达到了最先进的性能，并大幅减少了所需计算时间。然而，关于如何促使我们的模型产生不仅准确而且解剖上合理的结果，所做工作甚少，这仍是该领域一个开放问题。本工作中，我们认为将解剖先验以全局约束的形式纳入这些模型的学习过程，会进一步提升其性能并增强配准后变形图像的真实感。我们利用分割掩码学习图像解剖的全局非线性表示，并用以约束配准过程。所提出的 AC-RegNet 架构在胸部 X 射线图像配准背景下使用三个不同数据集进行了评估，其中高的解剖变异性使该任务极具挑战性。我们的实验表明，所提出的解剖约束配准模型比最先进的方法产生更真实且准确的结果，展示了该方法的潜力。
引用
@article{arxiv.2001.07183,
title = {Learning Deformable Registration of Medical Images with Anatomical Constraints},
author = {Lucas Mansilla and Diego H. Milone and Enzo Ferrante},
journal= {arXiv preprint arXiv:2001.07183},
year = {2020}
}
备注
Accepted for publication in Neural Networks (Elsevier). Source code and resulting segmentation masks for the NIH Chest-XRay14 dataset with estimated quality index available at https://github.com/lucasmansilla/ACRN_Chest_X-ray_IA