基于深度循环强化学习的鲁棒多模态图像配准
计算机视觉与模式识别
2020-02-11 v1
摘要
传统图像配准方法的关键组成部分是正确特征表示与相似性度量的选择。这两个组成部分虽经精心设计，却在某种程度上是利用人类知识手工构造的。为此，本文通过强化学习以端到端方式处理这两个组件。具体而言，一个由策略与价值网络组合而成的人工智能体被训练用于将浮动图像朝正确方向调整。我们使用异步强化学习算法训练该网络，并借助定制的奖励函数以鼓励鲁棒的图像配准。该训练好的网络进一步与前瞻推理结合以提升配准能力。本算法相对于其他最先进医学图像配准方法的优越性能，在临床 MR 与 CT 图像对上的出色表现得到了充分证明。
引用
@article{arxiv.2002.03733,
title = {Robust Multimodal Image Registration Using Deep Recurrent Reinforcement Learning},
author = {Shanhui Sun and Jing Hu and Mingqing Yao and Jinrong Hu and Xiaodong Yang and Qi Song and Xi Wu},
journal= {arXiv preprint arXiv:2002.03733},
year = {2020}
}