MemWarp：基于记忆解剖滤波器的脱缈保留心脏注册
图像与视频处理
2024-07-12 v1 人工智能
计算机视觉与模式识别
信号处理
摘要
许多现有的基于学习的可变形图像注册方法会对变形场施加约束，以确保其在全局上平滑且连续。然而，这一假设在心脏图像注册中并不成立，因为不同解剖区域在呼吸期间和由于胸腔内滑动器官而发生不对称运动。因此，这类全局约束无法容纳器官边界处的局部不连续性，可能导致错误且不真实的位移场。本文提出了 MemWarp 框架，通过记忆网络存储针对不同解剖区域量身定制的原型信息来解决此问题。MemWarp 与先前方法的主要区别在于两个方面：首先，通过解耦移动图像和固定图像中的特征提取与相似性匹配，它促进了特征图的更有效利用；其次，尽管具备保持不连续性的能力，MemWarp 在模型推理时无需分割掩码。在针对公开心脏数据集进行的实验中，我们的方法在注册精度和产生真实变形方面取得显著改进，相较于领先的半监督方法在 Dice 评分上提高了 7.1%。源代码将在 https://github.com/tinymilky/Mem-Warp 上提供。
引用
@article{arxiv.2407.08093,
title = {MemWarp: Discontinuity-Preserving Cardiac Registration with Memorized Anatomical Filters},
author = {Hang Zhang and Xiang Chen and Renjiu Hu and Dongdong Liu and Gaolei Li and Rongguang Wang},
journal= {arXiv preprint arXiv:2407.08093},
year = {2024}
}
备注
11 pages, 2 figure, 2 tables