基于单遍深度累积学习的非迭代由粗到细配准
计算机视觉与模式识别
2022-09-20 v2
摘要
可变形图像配准是医学图像分析中寻找固定图像与浮动图像之间非线性空间变换的关键步骤。基于卷积神经网络(CNNs)的深度配准方法因能以快速端到端方式完成图像配准而被广泛使用。然而,这些方法对于具有大形变的图像对通常性能有限。近来,迭代深度配准方法被用于缓解该局限,其以由粗到细的方式迭代学习变换。但迭代方法不可避免地延长了配准运行时间,且往往为每次迭代学习独立的图像特征,阻碍了特征被利用以促进后续迭代的配准。在本研究中,我们提出一种用于可变形图像配准的非迭代由粗到细配准网络(NICE-Net)。在NICE-Net中,我们提出:(i)一种单遍深度累积学习(SDCL)解码器,可在网络单遍(迭代)内累积学习由粗到细的变换;(ii)一种选择性传播特征学习(SFL)编码器,可为整个由粗到细配准过程学习公共图像特征并按需选择性传播特征。在六个3D脑磁共振成像(MRI)公开数据集上的大量实验表明,我们提出的NICE-Net在仅需要与非迭代方法相近运行时间的同时,可优于最先进的迭代深度配准方法。
引用
@article{arxiv.2206.12596,
title = {Non-iterative Coarse-to-fine Registration based on Single-pass Deep Cumulative Learning},
author = {Mingyuan Meng and Lei Bi and Dagan Feng and Jinman Kim},
journal= {arXiv preprint arXiv:2206.12596},
year = {2022}
}
备注
Accepted at International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2022)