用于联合仿射与非参数图像配准的网络
计算机视觉与模式识别
2019-03-22 v1
摘要
我们介绍了一种用于 3D 医学图像配准的端到端深度学习框架。与现有方法不同，我们的框架结合了两种配准方法：仿射配准和向量动量参数化的平稳速度场（vSVF）模型。具体而言，它由三个阶段组成。在第一阶段，多步仿射网络预测仿射变换参数。在第二阶段，我们使用类 Unet 的网络生成动量，通过平滑可从中计算出速度场。最后，在第三阶段，我们采用可自迭代的基于映射的 vSVF 组件，基于当前的变换映射估计提供非参数细化。一旦模型训练完成，一次前向传播即可完成配准。为评估性能，我们在骨关节炎倡议（OAI）数据集的膝关节 3D 磁共振图像（MRI）上进行了纵向和跨被试实验。结果表明，我们的框架达到了与最先进的医学图像配准方法相当的性能，但速度快得多，对变换规则性有更好的控制，包括产生近似对称变换的能力，并且结合了仿射与非参数配准。
引用
@article{arxiv.1903.08811,
title = {Networks for Joint Affine and Non-parametric Image Registration},
author = {Zhengyang Shen and Xu Han and Zhenlin Xu and Marc Niethammer},
journal= {arXiv preprint arXiv:1903.08811},
year = {2019}
}
备注
Accepted to CVPR 2019