用于训练多模态图像配准网络的单模态循环正则化
计算机视觉与模式识别
2020-11-13 v1
摘要
无监督多模态图像配准框架的损失函数包含两项，即相似性度量项与正则化项。在深度学习时代，研究者提出了许多自动学习相似性度量的方法，已证明能有效提升配准性能。然而，对于正则化项，现有多数多模态配准方法仍使用手工公式对估计的形变场施加人为属性。本工作中，我们提出一种单模态循环正则化训练流程，从更简单的单模态配准中学习任务特定的先验知识，以约束多模态配准的形变场。在腹部 CT-MR 配准实验中，所提方法相较传统正则化方法取得了更好的结果，尤其对于严重变形的局部区域。
引用
@article{arxiv.2011.06214,
title = {Unimodal Cyclic Regularization for Training Multimodal Image Registration Networks},
author = {Zhe Xu and Jiangpeng Yan and Jie Luo and William Wells and Xiu Li and Jayender Jagadeesan},
journal= {arXiv preprint arXiv:2011.06214},
year = {2020}
}
备注
5 pages, 5 figures