基于全卷积网络与深度自监督的非刚性图像配准
计算机视觉与模式识别
2017-09-05 v1
摘要
我们提出了一种新颖的非刚性图像配准算法，该算法构建于全卷积网络（FCNs）之上，以优化并学习待配准图像对之间的空间变换。与大多数现有的基于深度学习的图像配准方法（从具有已知对应空间变换的训练数据中学习空间变换）不同，我们的方法通过最大化固定图像与形变后移动图像之间的图像相似度度量来直接估计图像对之间的空间变换，这与传统的图像配准算法类似。同时，我们的方法还学习用于以待配准图像相同空间分辨率编码空间变换的FCNs，而非学习粗粒度的空间变换信息。图像配准在一个多分辨率图像配准框架中实现，通过典型的前向和反向传播计算，以深度自监督联合优化并学习不同分辨率下的空间变换和FCNs。由于我们的方法同时优化并学习图像配准的空间变换，该方法可直接用于配准一对图像，且一组图像的配准过程同时也是FCNs的训练过程，从而训练好的FCNs可通过所学FCNs的前向计算直接用于配准新图像而无需任何优化。所提方法已在3D结构脑磁共振（MR）图像配准上进行了评估，并取得了优于当前最先进图像配准算法的性能。
引用
@article{arxiv.1709.00799,
title = {Non-rigid image registration using fully convolutional networks with deep self-supervision},
author = {Hongming Li and Yong Fan},
journal= {arXiv preprint arXiv:1709.00799},
year = {2017}
}