用于可变形图像配准的循环配准神经网络
计算机视觉与模式识别
2019-06-25 v1 机器学习
机器学习
摘要
参数化空间变换模型已成功应用于图像配准任务。在此类模型中，目标变换由一组固定的基函数（例如B样条）参数化。由于目标变换事先未知，每个基函数位于图像域中固定的规则网格位置上。因此，并非所有基函数都必然对最终变换有贡献，这导致变换的非紧凑表示。我们将成对配准问题重新表述为连续对齐的递归序列。对于序列中的每个元素，我们的循环配准神经网络计算由其位置、形状和权重定义的局部形变。所有局部形变之和给出两幅图像的最终空间对齐。以这种方式表述配准问题使网络能够检测图像中未对齐的区域，并学习如何适当地局部细化配准。与当前基于非序列的配准方法相比，我们的方法迭代地将局部空间形变应用于图像，直到达到所需的配准精度。我们在2D肺部磁共振图像上训练了我们的网络，并将我们的方法与标准参数化B样条配准进行比较。实验表明，我们的方法在精度上表现相当，但产生了更紧凑的变换表示。此外，我们实现了约15倍于B样条配准的加速。
引用
@article{arxiv.1906.09988,
title = {Recurrent Registration Neural Networks for Deformable Image Registration},
author = {Robin Sandkühler and Simon Andermatt and Grzegorz Bauman and Sylvia Nyilas and Christoph Jud and Philippe C. Cattin},
journal= {arXiv preprint arXiv:1906.09988},
year = {2019}
}