VoxelMorph++：通过关键点监督与多通道实例优化超越颅腔限制
计算机视觉与模式识别
2022-03-02 v1
摘要
当前基于深度学习的图像配准研究大多针对形变量级适中的患者间脑部配准。近期的 Learn2Reg 医学配准基准表明，单尺度 U-Net 架构（如直接采用空间变换器损失的 VoxelMorph）通常难以泛化至颅腔之外，且在腹部或患者内肺部配准上达不到最先进性能。在此，我们提出两个简单步骤大幅缩小这一精度差距。首先，我们采用关键点自监督并设计新颖网络头预测离散热力图，稳健地减小大形变以提升鲁棒性。其次，我们用基于手工特征与 Adam 优化器的单次实例优化替代多个学习的微调步骤。与其他相关工作（包括 FlowNet 或 PDD-Net）不同，我们的方法不需要带相关层的完全离散化架构。我们的消融研究证明了关键点在自监督与无监督（仅使用 MIND 度量）设置下的重要性。在一个多中心吸气-呼气肺部 CT 数据集（包含极具挑战性的 COPD 扫描）上，我们的方法相比 VoxelMorph 将非线性对齐提升 77%（VoxelMorph 为 19%），达到 2 mm 的目标配准误差，优于迄今发表的所有学习方法除一种外。将该 method 扩展至语义特征，在受试者间腹部 CT 配准上确立了新的最先进性能。
引用
@article{arxiv.2203.00046,
title = {Voxelmorph++ Going beyond the cranial vault with keypoint supervision and multi-channel instance optimisation},
author = {Mattias P. Heinrich and Lasse Hansen},
journal= {arXiv preprint arXiv:2203.00046},
year = {2022}
}
备注
10 pages, accepted at WBIR 2022