MsMorph：基于无监督金字塔学习网络的脑图像配准
计算机视觉与模式识别
2024-10-25 v1
摘要
在医学图像分析领域，图像配准是关键技术。尽管提出了众多配准模型，但现有方法在准确性和可解释性方面仍有不足。本文提出了 MsMorph，一种基于深度学习的图像配准框架，旨在模拟人工对图像对进行配准以实现更相似的变形，其中配准后的图像对在特征上表现出一致性或相似性。通过提取图像对在 various as-pects 中的特征差异，使用梯度方法，框架在不同尺度上解码语义信息，并持续补偿预测变形场，推动参数优化，以显著提高配准准确性。该方法模拟了人工配准方法，关注图像对的不同区域及其邻域以预测两图像之间的变形场，这提供了强大的可解释性。我们在两个公开的脑 MRI 数据集上（包括 LPBA 和 Mindboggle）对比了几种现有配准方法。实验结果表明，我们的方法在 Dice 评分、Hausdorff 距离、平均对称表面距离和非 Jacobian 等指标上 consistently 优于最先进技术。源代码已公开于 https://github.com/GaodengFan/MsMorph
引用
@article{arxiv.2410.18228,
title = {MsMorph: An Unsupervised pyramid learning network for brain image registration},
author = {Jiaofen Nan and Gaodeng Fan and Kaifan Zhang and Chen Zhao and Fubao Zhu and Weihua Zhou},
journal= {arXiv preprint arXiv:2410.18228},
year = {2024}
}
备注
18 pages, 10 figures