利用位移嵌入解决基于深度学习的医学图像配准中的大形变问题
计算机视觉与模式识别
2020-05-28 v1 图像与视频处理
摘要
尽管基于深度学习的医学图像配准目前开始展现出有前景的进展，但在配准精度方面往往仍落后于传统框架。对于存在大形变的应用尤其如此，例如患者间腹部 MRI 配准或吸气至呼气 CT 肺部配准。当前大多数工作使用类 U-Net 架构在不同监督和 unsupervised 设定下从输入图像预测密集位移场。我们认为 U-Net 架构本身在某种程度上限制了对大形变的预测能力（即使使用多级策略），因此提出一种新方法：将输入图像映射到位移空间中，并从此嵌入中重建最终的配准结果。在吸气至呼气 CT 肺部配准上的实验表明，我们的架构能够通过网络的一次前向传播预测大形变（误差低于 2 mm）。
引用
@article{arxiv.2005.13338,
title = {Tackling the Problem of Large Deformations in Deep Learning Based Medical Image Registration Using Displacement Embeddings},
author = {Lasse Hansen and Mattias P. Heinrich},
journal= {arXiv preprint arXiv:2005.13338},
year = {2020}
}