SITReg：用于对称、逆一致且保拓扑图像配准的多分辨率架构
计算机视觉与模式识别
2024-12-03 v5
摘要
深度学习已成为经典迭代式可变形医学图像配准方法的强力替代方案，其目标是找到两幅图像坐标系之间的映射。流行的经典图像配准方法通过构造强制对称、逆一致和保拓扑等有用的归纳偏置。然而，尽管许多深度学习配准方法通过损失函数鼓励这些性质，但此前没有方法通过构造强制所有这些性质。在此，我们提出一种基于提取多分辨率特征表示的新型配准架构，该架构通过构造是对称、逆一致且保拓扑的。我们还开发了一种隐式层以高效内存地反演形变场。我们的方法在三个数据集上取得了最先进的配准精度。代码可在https://github.com/honkamj/SITReg获取。
引用
@article{arxiv.2303.10211,
title = {SITReg: Multi-resolution architecture for symmetric, inverse consistent, and topology preserving image registration},
author = {Joel Honkamaa and Pekka Marttinen},
journal= {arXiv preprint arXiv:2303.10211},
year = {2024}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2024:026