残差对齐网络
图像与视频处理
2024-07-23 v1 计算机视觉与模式识别
摘要
图像配准对医学成像至关重要，即估计不同图像间的空间变换。许多既往研究采用基于学习的方法进行由粗到细的配准，以高效完成 3D 图像配准。然而，由粗到细方法在处理邻近物体的不同运动时存在局限。本文提出一种新颖的运动感知（Motion-Aware, MA）结构，可捕获区域内不同运动。MA 结构引入一种新颖的残差对齐器（Residual Aligner, RA）模块，预测多头位移场以解耦多个邻近物体的不同运动。与其他深度学习方法相比，基于 MA 结构与 RA 模块的网络在腹部 CT 扫描中 9 个大小不一器官的受试者间无监督配准上达到最准确结果之一，其中静脉配准排名最高（下腔静脉 Dice 相似系数 / 平均表面距离：62%/4.9mm，门静脉与脾静脉：34%/7.9mm），且结构减半、计算更高效。应用于胸部 CT 扫描的肺分割时，该新网络取得与排名最高网络无差异的结果（94%/3.0mm）。此外，关于预测运动模式的定理与 MA 结构设计通过进一步分析得到验证。
引用
@article{arxiv.2203.04290,
title = {Residual Aligner Network},
author = {Jian-Qing Zheng and Ziyang Wang and Baoru Huang and Ngee Han Lim and Bartlomiej W. Papiez},
journal= {arXiv preprint arXiv:2203.04290},
year = {2024}
}