MDReg-Net：基于全卷积网络与深度自监督的多分辨率微分同胚图像配准
计算机视觉与模式识别
2020-10-06 v1
摘要
我们提出一种微分同胚图像配准算法，在自监督学习设定下使用全卷积网络（FCNs）学习待配准图像对之间的空间变换。该网络通过最大化固定图像与形变后移动图像之间逐图像的相似性度量来估计图像对之间的微分同胚空间变换，类似于传统的图像配准算法。它实现于多分辨率图像配准框架中，以深度自监督联合且增量地优化和学习不同图像分辨率下的空间变换，从而更好地处理图像间的大形变。将空间高斯平滑核与 FCNs 集成以产生足够平滑的形变场，实现微分同胚图像配准。特别地，在较粗分辨率下学习的空间变换被用于形变移动图像，随后用于学习较细分辨率下的增量变换。该过程递归进行至全图像分辨率，累积的变换作为最终变换在最细分辨率下形变移动图像。针对高分辨率 3D 结构性脑磁共振（MR）图像配准的实验结果表明，由我们的方法训练出的图像配准网络在数秒内获得鲁棒、微分同胚的图像配准结果，且相比最先进的图像配准算法精度更高。
引用
@article{arxiv.2010.01465,
title = {MDReg-Net: Multi-resolution diffeomorphic image registration using fully convolutional networks with deep self-supervision},
author = {Hongming Li and Yong Fan},
journal= {arXiv preprint arXiv:2010.01465},
year = {2020}
}