从通用点集数据学习广义非刚性多模态生物医学图像配准
计算机视觉与模式识别
2022-07-25 v1 机器学习
摘要
Free Point Transformer（FPT）已被提出作为一种使用深度神经网络的数据驱动非刚性点集配准方法。由于FPT不假设基于点邻近性或对应关系的约束，它可以通过最小化基于倒角距离的无监督损失以简单灵活的方式进行训练。这使得FPT适用于现实世界的医学成像应用，其中地面真实形变可能难以获取，或者在待对齐点集仅有不同程度完整性可用的场景中。为了测试FPT对应点查找能力的极限及其对训练数据集的依赖性，本工作探索了FPT从精心整理的非医学数据集到医学成像数据集的泛化能力。首先，我们在ModelNet40数据集上训练FPT，以展示其有效性以及FPT相对于迭代和基于学习的点集配准方法的优越配准性能。其次，我们展示了在刚性和非刚性配准中的优越性能以及对缺失数据的鲁棒性。最后，我们通过在无需额外训练的情况下配准重建的自由手超声脊柱扫描与通用脊柱模型，突出了ModelNet训练的FPT有趣的泛化能力，其中到地面真实曲率的平均差异为1.3度，跨13名患者。
引用
@article{arxiv.2207.10994,
title = {Learning Generalized Non-Rigid Multimodal Biomedical Image Registration from Generic Point Set Data},
author = {Zachary MC Baum and Tamas Ungi and Christopher Schlenger and Yipeng Hu and Dean C Barratt},
journal= {arXiv preprint arXiv:2207.10994},
year = {2022}
}
备注
Accepted to ASMUS 2022 Workshop at MICCAI