基于 CNN 回归的实时 2D/3D 配准
计算机视觉与模式识别
2016-04-26 v3
摘要
在本文中，我们提出一种用于实时 2D/3D 配准的卷积神经网络（CNN）回归方法。与基于优化的方法（迭代优化表示配准质量的标量值度量函数上的变换参数）不同，所提方法利用数字重建放射影像（Digitally Reconstructed Radiograph）和 X 射线图像外观中嵌入的信息，并采用 CNN 回归器直接估计变换参数。CNN 回归器针对局部区域进行训练，并以分层方式应用，将复杂的回归任务分解为可分别学习的较简单子任务。我们的实验结果表明，与基于强度的方法相比，所提方法在计算效率上具有优势，且配准精度下降可忽略不计。
引用
@article{arxiv.1507.07505,
title = {Real-time 2D/3D Registration via CNN Regression},
author = {Shun Miao and Z. Jane Wang and Rui Liao},
journal= {arXiv preprint arXiv:1507.07505},
year = {2016}
}