用于可变形图像配准的多目标学习
图像与视频处理
2024-02-27 v1 计算机视觉与模式识别
机器学习
摘要
可变形图像配准（DIR）涉及多个相互冲突目标的优化，然而，现有的DIR算法中很少有是多目标（MO）的。此外，尽管深度学习算法在DIR设计方面取得了进展，但在使用深度学习的MO DIR方向上尚无工作。本文通过将最近提出的神经网络多目标训练方法与一个著名的深度神经网络用于DIR相结合，填补了这一空白，创建了一种基于深度学习的MO DIR方法。我们评估了所提方法在盆腔磁共振成像（MRI）扫描的DIR上的表现。实验证明，所提出的MO DIR方法——为每位患者提供多个配准输出，每个输出对应目标之间的不同权衡——与仅提供单个DIR输出相比，从临床使用角度来看具有额外理想的特性。实验还表明，所提出的MO DIR方法在整个权衡前沿上提供了比简单训练多个神经网络（每个目标权重从可能值的网格中采样）更好的DIR输出分布。
引用
@article{arxiv.2402.16658,
title = {Multi-Objective Learning for Deformable Image Registration},
author = {Monika Grewal and Henrike Westerveld and Peter A. N. Bosman and Tanja Alderliesten},
journal= {arXiv preprint arXiv:2402.16658},
year = {2024}
}