NODEO：基于神经常微分方程的形变图像配准优化框架
计算机视觉与模式识别
2023-02-08 v6
摘要
形变图像配准(deformable image registration, DIR)旨在寻找图像间的空间对应关系，是医学图像分析领域最关键的问题之一。本文提出一种新颖、通用且精确的利用神经常微分方程(neural ordinary differential equations, NODEs)的微分同胚图像配准框架。我们将每个体素建模为运动粒子，并将 3D 图像中所有体素的集合视为一个高维动力系统，其轨迹决定目标形变场。我们的方法借助深度神经网络在动力系统建模中的表达能力，同时优化图像对之间的动力系统及相应变换。我们的公式允许沿变换施加各种约束以保持所需的规律性。实验结果表明，我们的方法在多项指标上优于基准方法。此外，我们证明了将框架扩展为以统一变换形式配准多组图像的可行性，这可能服务于更广泛的应用。
引用
@article{arxiv.2108.03443,
title = {NODEO: A Neural Ordinary Differential Equation Based Optimization Framework for Deformable Image Registration},
author = {Yifan Wu and Tom Z. Jiahao and Jiancong Wang and Paul A. Yushkevich and M. Ani Hsieh and James C. Gee},
journal= {arXiv preprint arXiv:2108.03443},
year = {2023}
}
备注
Accepted by the IEEE / CVF Computer Vision and Pattern Recognition Conference (CVPR) 2022