Embedded Feature Similarity Optimization with Specific Parameter Initialization for 2D/3D Medical Image Registration

要約

我々は、新しい深層学習ベースのフレームワークを提案します。2D/3D医用画像レジストレーション用の特定パラメータ初期化による埋め込み特徴類似性最適化（SOPI）は、寸法の不一致、重い計算負荷、ゴールデン不足などの困難により最も困難な問題です。
評価基準。
私たちが設計するフレームワークには、初期化ポーズ パラメーターを効率的に選択するためのパラメーター仕様モジュールと、画像を位置合わせするための微登録モジュールが含まれています。
提案されたフレームワークでは、特別なトレーニング手法を備えた新しい複合接続エンコーダーを使用して、マルチスケール特徴の抽出が考慮されています。
この方法を、社内の CT/X 線データセットおよびシミュレーション データに対する学習ベースの方法と最適化ベースの方法の両方と比較して、パフォーマンスをさらに評価します。
私たちの実験は、この論文の方法が位置合わせパフォーマンスを向上させ、それによって精度と実行時間の点で既存の方法を上回ることを示しています。
また、初期姿勢推定器としての提案手法の可能性も示します。
コードは https://github.com/m1nhengChen/SOPI で入手できます。

要約(オリジナル)

We present a novel deep learning-based framework: Embedded Feature Similarity Optimization with Specific Parameter Initialization (SOPI) for 2D/3D medical image registration which is a most challenging problem due to the difficulty such as dimensional mismatch, heavy computation load and lack of golden evaluation standard. The framework we design includes a parameter specification module to efficiently choose initialization pose parameter and a fine-registration module to align images. The proposed framework takes extracting multi-scale features into consideration using a novel composite connection encoder with special training techniques. We compare the method with both learning-based methods and optimization-based methods on a in-house CT/X-ray dataset as well as simulated data to further evaluate performance. Our experiments demonstrate that the method in this paper has improved the registration performance, and thereby outperforms the existing methods in terms of accuracy and running time. We also show the potential of the proposed method as an initial pose estimator. The code is available at https://github.com/m1nhengChen/SOPI

arxiv情報

提供元, 利用サービス

arxiv.jp, Google