基于神经常微分方程的序列图像配准用于动态表征
计算机视觉与模式识别
2024-04-03 v1 计算工程、金融与科学
摘要
可变形图像配准（DIR）在医学图像分析中至关重要，它能够探索成像中的生物动态，例如器官运动和纵向变化。本扩展工作利用神经常微分方程（ODE）进行配准，探讨了该框架如何有助于表征序列生物过程。利用 Neural ODE 使用神经网络对状态导数进行建模的能力，我们基于神经常微分方程优化的（NODEO）框架将体素视为动态系统中的粒子，通过对神经微分方程的积分来定义形变场。该方法直接从数据中学习动态特性，无需物理先验，使其非常适用于无法获取或不适用此类先验的医学场景。因此，该框架能够识别潜在的动态特性，并利用序列数据对变换轨迹进行正则化。我们在两个临床数据集上评估了我们的框架：一个用于心脏运动跟踪，另一个用于纵向脑部 MRI 分析。我们的框架展示了其在 2D 和 3D 成像场景中的有效性，提供了灵活性和模型无关性，能够处理图像序列并促进这些序列中的标签传播。本研究全面理解了基于 Neural ODE 的框架如何独特地有益于图像配准挑战。
引用
@article{arxiv.2404.02106,
title = {Neural Ordinary Differential Equation based Sequential Image Registration for Dynamic Characterization},
author = {Yifan Wu and Mengjin Dong and Rohit Jena and Chen Qin and James C. Gee},
journal= {arXiv preprint arXiv:2404.02106},
year = {2024}
}
备注
Journal extension of NODEO: A Neural Ordinary Differential Equation Based Optimization Framework for Deformable Image Registration, CVPR 2022