用条件可逆神经网络表示配准问题中的歧义性
计算机视觉与模式识别
2020-12-16 v1 机器学习
摘要
图像配准是医学图像计算和计算机辅助介入领域许多应用的基础。一个例子是在术中手术导航系统中将 2D X 射线图像与术前三维计算机断层扫描(CT)图像配准。由于医疗应用中的高安全性要求,在此类场景中估计配准不确定性至关重要。然而,先前提出的方法,包括经典迭代配准方法和基于深度学习的方法,有一个共同特征:它们缺乏表示配准问题可能固有歧义的能力,即存在多个(显著不同的)合理解。为应对此局限,我们探索将可逆神经网络(INN)作为配准方法学的核心组件。在所提框架中,INNs 通过用编码多个合理解(经由多模态)的概率分布表示配准问题的可能解,超越了作为网络输出的点估计。在一项初步可行性研究中,我们针对 2D 3D 配准设置测试该方法,将脊柱 CT 体配准到 X 射线图像。为此,我们使用数字重建放射影像(DRRs)原理模拟由 C 臂以多个方向拍摄的 X 射线图像。由于人体脊柱的对称性,可能存在多个显著不同的 C 臂位姿导致相似的投影。本工作的假设是,所提方法能够在此类歧义配准问题中识别多个解。
引用
@article{arxiv.2012.08195,
title = {Representing Ambiguity in Registration Problems with Conditional Invertible Neural Networks},
author = {Darya Trofimova and Tim Adler and Lisa Kausch and Lynton Ardizzone and Klaus Maier-Hein and Ulrich Köthe and Carsten Rother and Lena Maier-Hein},
journal= {arXiv preprint arXiv:2012.08195},
year = {2020}
}
备注
The paper got accepted at Medical Imaging Meets NeurIPS Workshop at Neural Information Processing Systems 2020