NePhi：用于近似微分同胚医学图像配准的神经形变场
计算机视觉与模式识别
2024-09-30 v3
摘要
本工作提出 NePhi，一种可生成近似微分同胚变换的泛化神经形变模型。与基于学习的主流配准方法中使用的体素级变换场不同，NePhi 以函数方式表示形变，从而在训练与推理时的内存消耗、推理时间、配准精度以及变换正则性设计空间内带来极大灵活性。具体而言，NePhi 1）相较体素级学习方法所需内存更少，2）通过预测潜码提升推理速度，优于当前仅依赖优化的神经形变配准方法，3）通过实例优化提升精度，4）展现出医学图像配准极为看重的优异形变正则性。我们在 2D 合成数据集以及真实 3D 医学图像数据集（如肺部与脑部）上展示了 NePhi 的性能。结果表明，在单分辨率配准设定下 NePhi 可匹配体素表示的精度。对于多分辨率配准，我们的方法在借助实例优化匹配当前 SOTA 基于学习的配准方法精度的同时，将内存需求降低了五倍。我们的代码见 https://github.com/uncbiag/NePhi。
引用
@article{arxiv.2309.07322,
title = {$\texttt{NePhi}$: Neural Deformation Fields for Approximately Diffeomorphic Medical Image Registration},
author = {Lin Tian and Hastings Greer and Raúl San José Estépar and Roni Sengupta and Marc Niethammer},
journal= {arXiv preprint arXiv:2309.07322},
year = {2024}
}
备注
ECCV 2024