无监督可变形超声图像配准及其在血管分割中的应用
图像与视频处理
2023-06-26 v1 计算机视觉与模式识别
机器人学
摘要
本文提出一种以在线速率进行超声图像可变形配准的深度学习模型，称为 U-RAFT。顾名思义，U-RAFT 基于 RAFT（一种用于估计光流的卷积神经网络）。然而，U-RAFT 可以以无监督方式训练，并能够生成合成图像用于训练血管分割模型。我们提出并比较了用于训练 U-RAFT 的不同损失函数的配准质量。我们还展示了我们的方法如何与执行力控扫描的机器人一起使用，以生成合成形变图像，从而在无需额外手动标注的情况下显著扩展股血管分割训练数据集的规模。我们在硅胶人体组织体模以及体内猪图像上验证了我们的方法。我们表明，对于体模和猪数据集，U-RAFT 生成的合成超声图像分别与真实超声图像具有 98% 和 81% 的结构相似性指数测度（SSIM）。我们还证明了来自 U-RAFT 的合成形变图像可用作血管分割模型的数据增强技术，以提升交并比（IoU）分割性能。
引用
@article{arxiv.2306.13329,
title = {Unsupervised Deformable Ultrasound Image Registration and Its Application for Vessel Segmentation},
author = {FNU Abhimanyu and Andrew L. Orekhov and Ananya Bal and John Galeotti and Howie Choset},
journal= {arXiv preprint arXiv:2306.13329},
year = {2023}
}