POLAFFINI：基于特征的高效多仿射初始化以提升非线性图像配准
计算机视觉与模式识别
2024-07-10 v2
摘要
本文提出了一种基于特征的高效方法，用于初始化非线性图像配准。当前，非线性图像配准主要依赖基于强度相似性度量的方法。初始转换的良好估计对传统迭代算法和最新的基于深度学习的单次方法都至关重要。现有的估计算始点的做法是进行仿射配准，但由于其简约、全局且不可弯曲的特性，可能不够充分。我们提出的改进初始化方法利用了最新进展在深度学习分割技术，能够即时估计以领先精度的细粒度区域轮廓。这些分割用于产生基于特征的局部、解剖学导向的仿射匹配，使用无需迭代的闭形式表达式。然后，将估计的局部仿射变换通过 log-Euclidean 多仿射框架融合为整体稠密可微变换。我们表明，与其仿射对应物相比，所提初始化方法在两种传统和基于深度学习的非线性配准算法中均显著改善了对齐效果。该方法也比常用的仿射配准算法（如 FSL FLIRT）更稳健且显著更快。
引用
@article{arxiv.2407.03922,
title = {POLAFFINI: Efficient feature-based polyaffine initialization for improved non-linear image registration},
author = {Antoine Legouhy and Ross Callaghan and Hojjat Azadbakht and Hui Zhang},
journal= {arXiv preprint arXiv:2407.03922},
year = {2024}
}
备注
submitted and accepted to IPMI 2023