基于域适应与投影推土机差异的无监督多模态图像配准学习
计算机视觉与模式识别
2020-05-29 v1 机器学习
图像与视频处理
摘要
多模态图像配准是深度学习方法的一个非常具有挑战性的问题。当前大多数工作要么聚焦于需要标注训练扫描的有监督学习（可能产生偏向标注结构的模型），要么聚焦于基于手工相似性度量的无监督方法（因此可能无法超越其经典的非训练对应方法）。我们认为无监督域适应有助于克服多模态配准当前因良好度量难以定义而存在的局限。迄今为止，域适应主要局限于分类问题。我们提出首次将无监督域适应用于离散多模态配准。基于一个可获得量化位移标签作为监督的源域，我们利用分类器差异将网络的输出分布迁移以更好地近似目标域（其他模态）。为改进用于二维直方图的切片 Wasserstein 度量，我们提出一种新颖近似，将预测投影至一维并计算其累积和的 L1 距离。我们的概念验证展示了从单模态到多模态（多对比度）犬类 MRI 扫描的二维配准的域迁移适用性，并将配准准确率从 33%（使用切片 Wasserstein）提升至 44%。
引用
@article{arxiv.2005.14107,
title = {Unsupervised learning of multimodal image registration using domain adaptation with projected Earth Move's discrepancies},
author = {Mattias P Heinrich and Lasse Hansen},
journal= {arXiv preprint arXiv:2005.14107},
year = {2020}
}
备注
Medical Imaging with Deep Learning (accepted short paper) https://openreview.net/forum?id=wbZM-DcJB9