Embedding Gradient-based Optimization in Image Registration Networks

要約

ディープ ラーニング (DL) 画像レジストレーション メソッドは、1 回の高速フォワード パスで最適な変換を予測するようにディープ ニューラル ネットワークをトレーニングすることで、コストのかかるペアワイズ反復最適化を償却します。
この作業では、従来の反復エネルギー最適化ベースの登録とネットワークベースの登録の間のギャップを埋め、画像登録用勾配降下ネットワーク (GraDIRN) を提案します。
提案されたアプローチは、展開された多重解像度勾配ベースのエネルギー最適化をフォワードパスに埋め込む DL ネットワークをトレーニングします。これにより、更新ステップで画像の非類似度の最小化が明示的に強制されます。
2D 心臓 MR 画像と 3D 脳 MR 画像を使用して、登録タスクで広範な評価が行われました。
私たちのアプローチが、より少ない学習パラメーターを使用しながら、優れたデータ効率とドメインの堅牢性を備えた最先端の登録パフォーマンスを達成したことを示します。

要約(オリジナル)

Deep learning (DL) image registration methods amortize the costly pair-wise iterative optimization by training deep neural networks to predict the optimal transformation in one fast forward-pass. In this work, we bridge the gap between traditional iterative energy optimization-based registration and network-based registration, and propose Gradient Descent Network for Image Registration (GraDIRN). Our proposed approach trains a DL network that embeds unrolled multiresolution gradient-based energy optimization in its forward pass, which explicitly enforces image dissimilarity minimization in its update steps. Extensive evaluations were performed on registration tasks using 2D cardiac MR and 3D brain MR images. We demonstrate that our approach achieved state-of-the-art registration performance while using fewer learned parameters, with good data efficiency and domain robustness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google