基于部分术中点集数据的实时多模态图像配准
图像与视频处理
2021-09-21 v2 计算机视觉与模式识别
机器学习
摘要
我们提出自由点变换器（FPT）——一种用于非刚性点集配准的深度神经网络架构。FPT由两个模块组成，一个全局特征提取模块和一个点变换模块，其不基于点的邻近性假设显式约束，从而克服了先前基于学习的点集配准方法的常见要求。FPT设计为接受无序且非结构化的、点数可变的点集，并使用无启发式约束的“无模型”方法。FPT的训练灵活，涉及最小化直观的无监督损失函数，但也支持有监督、半监督以及部分或弱监督训练。这种灵活性使FPT适用于难以或无法测量真实形变的模态间图像配准问题。在本文中，我们展示了FPT在前列腺磁共振（MR）成像与稀疏采样的经直肠超声（TRUS）图像非刚性配准中的应用。对于完整TRUS成像和稀疏采样TRUS成像，配准误差分别为4.71 mm和4.81 mm。结果表明其精度优于所测试的其他刚性与非刚性配准算法，且计算时间大幅降低。FPT可能的快速推理使其特别适用于受益于实时配准的应用。
引用
@article{arxiv.2109.05023,
title = {Real-time multimodal image registration with partial intraoperative point-set data},
author = {Zachary M C Baum and Yipeng Hu and Dean C Barratt},
journal= {arXiv preprint arXiv:2109.05023},
year = {2021}
}
备注
Accepted manuscript in Medical Image Analysis