基于无判别器图像到图像翻译的无监督多模态医学图像配准
计算机视觉与模式识别
2022-04-29 v1
摘要
在临床实践中，对齐良好的多模态图像（如磁共振（MR）与计算机断层扫描（CT））可共同为图像引导治疗提供互补信息。多模态图像配准对于这些多模态图像的精确对齐至关重要。然而，由于不同模态间复杂且未知的空间对应关系，这仍是一项极具挑战的任务。本文中，我们提出一种新颖的基于翻译的无监督可变形图像配准方法，将多模态配准问题转化为单模态配准问题。具体而言，我们的方法引入一个无判别器翻译网络以促进配准网络的训练，并提出块级对比损失以鼓励翻译网络保持物体形状。此外，我们提议用像素损失替代先前多模态图像配准方法中广泛使用的对抗损失，以将翻译输出整合到目标模态中。这导致了一种无需真实形变或对齐图像对进行训练的无监督方法。我们在公开的 Learn2Reg 2021 数据集上评估了我们方法的四种变体。实验结果表明所提架构达到了最先进的性能。我们的代码可在 https://github.com/heyblackC/DFMIR 获取。
引用
@article{arxiv.2204.13656,
title = {Unsupervised Multi-Modal Medical Image Registration via Discriminator-Free Image-to-Image Translation},
author = {Zekang Chen and Jia Wei and Rui Li},
journal= {arXiv preprint arXiv:2204.13656},
year = {2022}
}
备注
Accepted in IJCAI 2022