基于对抗学习与知识蒸馏的轻量级可变形配准
图像与视频处理
2021-10-05 v1 计算机视觉与模式识别
摘要
可变形配准是图像引导手术和放射治疗等许多医疗流程中的关键步骤。最近大多数基于学习的方法通过优化输入图像间的非线性空间对应关系来提高精度。因此，这些方法计算开销大，需要现代显卡才能实现实时部署。本文提出一种新的轻量级可变形配准网络，在保持具有竞争力的精度的同时显著降低计算成本。具体而言，我们提出一种基于知识蒸馏的对抗学习算法，成功地将有效但昂贵的教师网络中的有意义信息迁移到学生网络。我们设计的学生网络轻量且非常适合在典型CPU上部署。在不同公开数据集上的大量实验结果表明，我们所提方法取得了最先进的精度，同时比近期方法显著更快。我们进一步表明，我们的对抗学习算法对于时间高效的可变形配准方法至关重要。最后，我们的源代码和训练模型可在 https://github.com/aioz-ai/LDR_ALDK 获取。
引用
@article{arxiv.2110.01293,
title = {Light-weight Deformable Registration using Adversarial Learning with Distilling Knowledge},
author = {Minh Q. Tran and Tuong Do and Huy Tran and Erman Tjiputra and Quang D. Tran and Anh Nguyen},
journal= {arXiv preprint arXiv:2110.01293},
year = {2021}
}