MAD:用于图像配准的模态无关距离度量
计算机视觉与模式识别
2023-09-07 v1 人工智能
摘要
多模态图像配准是许多医学应用中的关键预处理步骤。然而,由于不同成像模态间复杂的强度关系可能导致图像外观上的巨大差异,这是一项具有挑战性的任务。多模态图像配准的成功,无论是传统的还是基于学习的,都依赖于选择合适的距離(或相似性)度量。特别是,当尝试配准来自“未见过”的模态的数据时,深度学习配准算法的精度不足甚至完全失败。在这项工作中,我们提出模态无关距离(MAD),一种深度图像距离度量,它利用随机卷积学习图像的固有几何结构,同时对大的外观变化具有鲁棒性。随机卷积是保持几何的模块,我们用其模拟无限数量的合成模态,从而缓解训练中对齐配对数据的需求。因此,我们可以在单模态数据集上训练MAD并成功应用于多模态数据集。我们证明MAD不仅能够成功地进行多模态图像的仿射配准,而且比互信息和归一化梯度场等传统度量具有更大的捕获范围。
引用
@article{arxiv.2309.02875,
title = {MAD: Modality Agnostic Distance Measure for Image Registration},
author = {Vasiliki Sideri-Lampretsa and Veronika A. Zimmer and Huaqi Qiu and Georgios Kaissis and Daniel Rueckert},
journal= {arXiv preprint arXiv:2309.02875},
year = {2023}
}