用于医学图像配准的关联循环网络
计算机视觉与模式识别
2023-02-07 v1 机器学习
摘要
我们提出了关联循环网络（RWCNet），这是一种具有多尺度特征和代价体层的医学图像配准网络。我们证明，这些架构特征在 MICCAI 2022 Learn2Reg 研讨会挑战赛准备的两个图像配准数据集上提高了医学图像配准的准确性。在大位移国家肺部筛查试验（NLST）数据集上，RWCNet 无需实例微调即可在对应关键点之间实现 2.11mm 的总配准误差（TRE）。在 OASIS 脑部 MRI 数据集上，RWCNet 能够对 35 个不同的解剖标签实现 81.7% 的平均 Dice 重叠。它在两个数据集上都优于另一种多尺度网络——拉普拉斯图像配准网络（LapIRN）。我们进行了消融实验以突出各种架构特征的贡献。虽然多尺度特征提高了两个数据集的验证准确性，但代价体层和循环步数仅提高了大位移 NLST 数据集上的性能。这一结果表明，代价体层和使用 RNN 的迭代细化为大位移医学图像配准中的优化和泛化提供了良好支持。RWCNet 的代码可在 https://github.com/vigsivan/optimization-based-registration 获取。
引用
@article{arxiv.2302.02283,
title = {Recurrence With Correlation Network for Medical Image Registration},
author = {Vignesh Sivan and Teodora Vujovic and Raj Ranabhat and Alexander Wong and Stewart Mclachlin and Michael Hardisty},
journal= {arXiv preprint arXiv:2302.02283},
year = {2023}
}