MetaRegNet：基于流驱动残差网络的变形图像配准
图像与视频处理
2023-03-17 v1 计算机视觉与模式识别
摘要
基于深度学习的方法为医学图像配准提供了高效解决方案，包括具有挑战性的微分同胚图像配准问题。然而，多数方法配准正常图像对，难以处理那些缺失对应关系的图像对，例如存在肿瘤等病变时。我们期望一种高效方案，能联合考虑对应关系缺失的病变区域中的空间形变与外观变化，即寻找变形图像配准的解。已有一些方法被提出以应对该问题，但它们无法妥善处理大病变区域及病变周围的形变。本文中，我们提出一种深度变形图像配准网络（MetaRegNet），其采用时变流来驱动空间微分同胚形变并生成强度变化。我们在两个数据集上评估MetaRegNet，即带脑肿瘤的BraTS 2021与带肝肿瘤的3D-IRCADb-01，在配准健康与肿瘤图像对上展现出有前景的结果。源代码可在线获取。
引用
@article{arxiv.2303.09088,
title = {MetaRegNet: Metamorphic Image Registration Using Flow-Driven Residual Networks},
author = {Ankita Joshi and Yi Hong},
journal= {arXiv preprint arXiv:2303.09088},
year = {2023}
}
备注
11 pages, 3 figures