基于解耦表示的多模态图像无监督可变形配准
计算机视觉与模式识别
2019-03-25 v1
摘要
我们提出一种完全无监督的多模态可变形图像配准方法（UMDIR），其在训练期间不需要任何真实形变场或任何对齐的多模态图像对。多模态配准是许多医学图像分析应用中的关键问题。由于不同模态间关系复杂且未知，它极具挑战性。本文中，我们提出一种无监督学习方法，通过图像解耦将多模态配准问题化简为单模态问题。具体而言，我们通过无监督多模态图像到图像翻译方法，将两种模态的图像分解为一个公共潜在形状空间与分离的潜在表观空间。所提配准方法随后构建于因子化的潜在形状编码之上，假设原始图像域中固有的形状形变在该潜在空间中得以保留。具体地，已提出两个度量用于训练所提网络：在公共形状空间中定义的潜在相似度度量，以及基于对抗损失的基于学习的图像相似度度量。我们考察了所提方法的不同变体，并与传统的先进多模态配准方法比较。结果表明，我们的方法以显著减少的计算时间实现了与其他方法具竞争力的性能。
引用
@article{arxiv.1903.09331,
title = {Unsupervised Deformable Registration for Multi-Modal Images via Disentangled Representations},
author = {Chen Qin and Bibo Shi and Rui Liao and Tommaso Mansi and Daniel Rueckert and Ali Kamen},
journal= {arXiv preprint arXiv:1903.09331},
year = {2019}
}
备注
Accepted as an oral presentation in IPMI 2019