A survey on deep learning in medical image registration: new technologies, uncertainty, evaluation metrics, and beyond

要約

ディープラーニング技術は、過去 10 年間で医療画像登録の分野を劇的に変革しました。
ResNet ベースや U-Net ベースのネットワークなどの初期開発により、画像レジストレーションにおける深層学習の基盤が確立されました。
その後、類似性測定、変形の正則化、不確実性の推定など、深層学習ベースの登録のさまざまな側面で進歩が見られました。
これらの進歩により、画像レジストレーションの分野が充実しただけでなく、アトラス構築、マルチアトラス セグメンテーション、動き推定、2D-3D レジストレーションなどの幅広いタスクへの応用も容易になりました。
この論文では、深層学習ベースの画像登録における最新の進歩の包括的な概要を紹介します。
まず、深層学習ベースの画像登録の中心となる概念を簡潔に紹介します。
次に、革新的なネットワーク アーキテクチャ、登録に固有の損失関数、および登録の不確実性を推定する方法を詳しく掘り下げます。
さらに、このペーパーでは、登録タスクにおける深層学習モデルのパフォーマンスを評価するための適切な評価指標についても検討します。
最後に、これらの新しい技術の医療画像処理における実際の応用例に焦点を当て、深層学習ベースの画像登録の将来の展望について説明します。

要約(オリジナル)

Deep learning technologies have dramatically reshaped the field of medical image registration over the past decade. The initial developments, such as ResNet-based and U-Net-based networks, established the foundation for deep learning in image registration. Subsequent progress has been made in various aspects of deep learning-based registration, including similarity measures, deformation regularizations, and uncertainty estimation. These advancements have not only enriched the field of image registration but have also facilitated its application in a wide range of tasks, including atlas construction, multi-atlas segmentation, motion estimation, and 2D-3D registration. In this paper, we present a comprehensive overview of the most recent advancements in deep learning-based image registration. We begin with a concise introduction to the core concepts of deep learning-based image registration. Then, we delve into innovative network architectures, loss functions specific to registration, and methods for estimating registration uncertainty. Additionally, this paper explores appropriate evaluation metrics for assessing the performance of deep learning models in registration tasks. Finally, we highlight the practical applications of these novel techniques in medical imaging and discuss the future prospects of deep learning-based image registration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google