用于可变形医学图像配准的无监督端到端学习
计算机视觉与模式识别
2018-01-23 v2
摘要
我们提出了一种针对2D CT/MRI医学图像的配准算法，采用基于卷积神经网络的新型无监督端到端策略。我们算法的贡献有三方面：（1）我们将传统图像配准算法移植到端到端卷积神经网络框架中，同时保持图像配准问题的无监督特性。这种图像到图像的集成框架可同时学习用于配准的图像特征与变换矩阵。（2）使用无任何标签的额外数据进行训练，可进一步将配准性能提升约10%。（3）配准速度比传统方法快100倍。所提网络易于实现且可高效训练。实验表明，我们的系统在2D脑配准上取得了最先进的结果，在2D肝配准上取得了可比的结果。它可扩展用于配准肝和脑之外的其他器官，如肾、肺和心脏。
引用
@article{arxiv.1711.08608,
title = {Unsupervised End-to-end Learning for Deformable Medical Image Registration},
author = {Siyuan Shan and Wen Yan and Xiaoqing Guo and Eric I-Chao Chang and Yubo Fan and Yan Xu},
journal= {arXiv preprint arXiv:1711.08608},
year = {2018}
}