用于无监督医学图像配准的递归级联网络
计算机视觉与模式识别
2020-03-26 v3
摘要
我们提出递归级联网络,一种能够实现深度级联学习、用于可变形图像配准的通用架构。所提架构设计简洁,可构建于任意基础网络之上。移动图像被每个级联依次扭曲,最终与固定图像对齐;该过程具有递归性,即每个级联学习对当前扭曲图像执行渐进式形变。整个系统为端到端并以无监督方式联合训练。此外,得益于递归架构,在测试时可将一个级联迭代应用多次,从而更好地拟合每一对图像。我们在 3D 医学图像上评估了我们的方法,可变形配准最常应用于此。我们证明递归级联网络取得一致且显著的增益,并优于当前最优(state-of-the-art, SOTA)方法。性能显示出随着训练更多级联而增长的趋势,且未观察到极限。代码见 https://github.com/microsoft/Recursive-Cascaded-Networks。
引用
@article{arxiv.1907.12353,
title = {Recursive Cascaded Networks for Unsupervised Medical Image Registration},
author = {Shengyu Zhao and Yue Dong and Eric I-Chao Chang and Yan Xu},
journal= {arXiv preprint arXiv:1907.12353},
year = {2020}
}
备注
Accepted to ICCV 2019