用于可变形医学图像配准与周期运动跟踪的一次性学习
计算机视觉与模式识别
2020-02-11 v3
摘要
可变形图像配准是医学影像中一个非常重要的研究领域。近来该领域发表了多种深度学习方法并展现出有前景的结果。然而，深度学习方法的缺陷在于需要大量训练数据集，且无法配准不同于训练数据集的未见图像。一次性学习无需大量训练数据集，且已被证明可应用于3D数据。本工作中我们提出一种用于3D与4D数据集周期运动跟踪的一次性配准方法。当应用于3D数据集时，该算法同时计算配准向量场的逆。对于配准，我们采用了结合由粗到细方法与微分空间变换器模块的U-Net。该算法使用多个公开可用的4D与3D数据集进行了充分测试。结果表明所提方法能够跟踪周期运动并取得具竞争力的配准精度。可能的应用包括作为3D与4D运动跟踪的独立算法，或在研究初期使用直至获得足够用于单独训练阶段的数据集。
引用
@article{arxiv.1907.04641,
title = {One Shot Learning for Deformable Medical Image Registration and Periodic Motion Tracking},
author = {Tobias Fechter and Dimos Baltas},
journal= {arXiv preprint arXiv:1907.04641},
year = {2020}
}