基于神经场的医学图像配准
计算机视觉与模式识别
2024-10-14 v3
摘要
图像配准是许多医学图像分析任务中的关键步骤。传统的图像配准方法主要是优化驱动的，寻找使两幅图像间相似度最大化的形变。近期基于学习的方法经过训练可直接预测两幅图像间的变换，运行速度更快，但由于模型泛化能力以及处理单幅图像特定形变的低效性，存在性能不足的问题。本文提出一种基于神经网络的新型图像配准框架，称为 NIR（Neural Image Registration，神经图像配准），其基于优化但利用深度神经网络对图像对之间的形变进行建模。NIR 通过神经场实现的连续函数表示两幅图像间的变换，以 3D 坐标为输入并输出相应的形变向量。NIR 提供两种生成形变场的方式：直接输出位移向量场用于一般的可变形配准，或输出速度向量场并积分该速度场以导出用于微分同胚图像配准的形变场。通过随机梯度下降更新神经场参数来发现最优配准。我们描述了若干促进模型优化的设计选择，包括坐标编码、正弦激活、坐标采样和强度采样。在两个 3D MR 脑扫描数据集上的实验表明，NIR 在配准精度和规则性方面均达到最先进的性能，同时比传统的基于优化的方法运行显著更快。
引用
@article{arxiv.2206.03111,
title = {Medical Image Registration via Neural Fields},
author = {Shanlin Sun and Kun Han and Chenyu You and Hao Tang and Deying Kong and Junayed Naushad and Xiangyi Yan and Haoyu Ma and Pooya Khosravi and James S. Duncan and Xiaohui Xie},
journal= {arXiv preprint arXiv:2206.03111},
year = {2024}
}