通过优化引导的循环自训练实现无监督三维配准
计算机视觉与模式识别
2023-07-21 v2
摘要
最先进的基于深度学习的配准方法采用三种不同的学习策略：监督学习（需要昂贵的手动标注）、无监督学习（严重依赖领域专家设计的手工相似性度量），或从合成数据学习（引入域偏移）。为克服这些策略的局限，我们提出一种用于无监督配准的新型自监督学习范式，依赖于自训练。我们的思想基于两个关键洞察：基于特征的可微优化器1)即使从随机特征也能执行合理的配准，以及2)在噪声标签上稳定先前特征提取网络的训练。因此，我们提出循环自训练，其中伪标签初始化为从随机特征推断的位移场，并基于来自学习特征提取器越来越具表达力的特征循环更新，产生自增强效应。我们在腹部和肺部配准上评估该方法，持续超越基于度量的监督并优于多种最先进的竞争对手。源代码见 https://github.com/multimodallearning/reg-cyclical-self-train。
引用
@article{arxiv.2306.16997,
title = {Unsupervised 3D registration through optimization-guided cyclical self-training},
author = {Alexander Bigalke and Lasse Hansen and Tony C. W. Mok and Mattias P. Heinrich},
journal= {arXiv preprint arXiv:2306.16997},
year = {2023}
}
备注
accepted at MICCAI 2023