关于减少深度配准网络预测形变中的负雅可比行列式
计算机视觉与模式识别
2019-07-02 v1 图像与视频处理
摘要
图像配准是医学图像分析中的基本步骤。理想情况下，将一幅图像配准到另一幅图像的变换应是既可逆又光滑的微分同胚。诸如测地线射击等传统方法通过微分几何处理该问题，并在理论上保证所得变换光滑且可逆。以往大多数使用无监督深度神经网络进行配准的研究采用局部光滑约束（通常为空间变化损失）来解决光滑性问题。这些网络通常产生在多个体素位置具有“折叠”的不可逆变换，由变换的雅可比矩阵行列式为负指示。虽然使用专门惩罚折叠的损失函数是一种直接解法，但这通常需要仔细调整正则化强度，尤其当还存在其他损失时。本文从另一角度解决该问题，通过探究有助于网络避免负雅可比并产生更光滑形变的训练机制。我们在此方向上提出两个独立的思路。两个思路均大幅减少了预测形变中的折叠位置数量，且无需更改现有基线配准网络中使用的超参数或架构。
引用
@article{arxiv.1907.00068,
title = {On Reducing Negative Jacobian Determinant of the Deformation Predicted by Deep Registration Networks},
author = {Dongyang Kuang},
journal= {arXiv preprint arXiv:1907.00068},
year = {2019}
}