ViT-V-Net：用于无监督三维医学图像配准的视觉Transformer
图像与视频处理
2021-04-15 v1 计算机视觉与模式识别
摘要
在过去十年中，卷积神经网络（ConvNets）已在多种医学影像应用中占据主导并取得最先进性能。然而，ConvNets的性能仍受限于缺乏对图像中长程空间关系的理解。近期提出的用于图像分类的Vision Transformer（ViT）使用纯基于自注意力的模型，学习长程空间关系以关注图像的相关部分。不过，ViT因连续下采样强调低分辨率特征，导致缺乏精细定位信息，使其不适用于图像配准。最近，若干基于ViT的图像分割方法已与ConvNets结合以改善精细定位信息的恢复。受此启发，我们提出ViT-V-Net，其桥接ViT与ConvNet以提供三维医学图像配准。此处呈现的实验结果表明，所提架构取得了优于若干顶尖配准方法的性能。
引用
@article{arxiv.2104.06468,
title = {ViT-V-Net: Vision Transformer for Unsupervised Volumetric Medical Image Registration},
author = {Junyu Chen and Yufan He and Eric C. Frey and Ye Li and Yong Du},
journal= {arXiv preprint arXiv:2104.06468},
year = {2021}
}