学习具有弱跨受试者空间对应的多模态体积前列腺配准
图像与视频处理
2021-02-10 v1 计算机视觉与模式识别
机器学习
摘要
近期研究证明了卷积神经网络（CNNs）用于解决图像配准问题的适用性。CNNs 实现了更快的变换估计与更强的泛化能力，可更好地支持医疗干预。常规全监督训练需要大量高质量真值数据（如体素到体素的变换），其获取通常繁琐且易错。在我们的工作中，我们使用弱监督学习，仅通过分割掩码间接优化模型，分割掩码是比形变场更易获取的真值。针对弱监督，我们考察两种分割相似性度量：多尺度 Dice 相似系数（mDSC）与分割导出的带符号距离图（SDMs）之间的相似性。我们表明，mDSC 与 SDM 相似性度量的结合产生了更准确自然的变换模式以及更强的梯度覆盖。此外，我们为神经网络引入一个关于 MR 序列中前列腺位置的先验信息辅助输入，该信息大多可在术前获得。此方法显著优于标准双输入模型。利用弱标注的 MR-TRUS 前列腺数据，我们展示了可与最先进基于深度学习方法媲美的配准质量。
引用
@article{arxiv.2102.04938,
title = {Learning Multi-Modal Volumetric Prostate Registration with Weak Inter-Subject Spatial Correspondence},
author = {Oleksii Bashkanov and Anneke Meyer and Daniel Schindele and Martin Schostak and Klaus Tönnies and Christian Hansen and Marko Rak},
journal= {arXiv preprint arXiv:2102.04938},
year = {2021}
}