基于 Volume Tweening Network 的无监督三维端到端医学图像配准
计算机视觉与模式识别
2020-05-11 v3
摘要
三维医学图像配准具有重要的临床意义。然而，监督学习方法需要大量精确标注的对应控制点（或形变），这极难获取。无监督学习方法通过利用无标注数据且无需监督，减轻了手动标注的负担。本文中，我们提出一种在端到端框架下使用卷积神经网络的新无监督学习方法——Volume Tweening Network (VTN)，用于三维医学图像配准。我们提出了三个创新技术组件：(1) 解决大位移的端到端级联方案；(2) 仿射配准网络的高效集成；以及 (3) 鼓励反向一致性的额外可逆性损失。实验表明，我们的算法比传统基于优化的方法快 880 倍（或无 GPU 加速时快 3.3 倍），并在医学图像配准中达到了 SOTA 性能。
引用
@article{arxiv.1902.05020,
title = {Unsupervised 3D End-to-End Medical Image Registration with Volume Tweening Network},
author = {Shengyu Zhao and Tingfung Lau and Ji Luo and Eric I-Chao Chang and Yan Xu},
journal= {arXiv preprint arXiv:1902.05020},
year = {2020}
}
备注
Journal of Biomedical and Health Informatics