FF-PNet: A Pyramid Network Based on Feature and Field for Brain Image Registration

要約

近年、変形可能な医療画像登録手法が大きな進歩を遂げています。
ただし、既存のモデルには、粗粒と細かい特徴の並列抽出の効率がまだありません。
これに対処するために、機能と変形フィールド（FF-PNET）に基づいて新しいピラミッド登録ネットワークを構築します。
粗粒の特徴抽出のために、残留特徴融合モジュール（RFFM）を設計し、細粒画像変形のために、残留変形フィールド融合モジュール（RDFFM）を提案します。
これら2つのモジュールの並列操作により、モデルは複雑な画像の変形を効果的に処理できます。
FF-PNETのエンコーディング段階は、注意メカニズムや多層パーセプロンなしで従来の畳み込みニューラルネットワークのみを採用していることを強調する価値がありますが、登録精度の顕著な改善を実現し、RFFMとRDFFMの優れた機能デコード機能を完全に実証しています。
LPBAおよびOASISデータセットで広範な実験を実施しました。
結果は、私たちのネットワークが、サイコロの類似性係数などのメトリックの一般的な方法よりも一貫して優れていることを示しています。

要約(オリジナル)

In recent years, deformable medical image registration techniques have made significant progress. However, existing models still lack efficiency in parallel extraction of coarse and fine-grained features. To address this, we construct a new pyramid registration network based on feature and deformation field (FF-PNet). For coarse-grained feature extraction, we design a Residual Feature Fusion Module (RFFM), for fine-grained image deformation, we propose a Residual Deformation Field Fusion Module (RDFFM). Through the parallel operation of these two modules, the model can effectively handle complex image deformations. It is worth emphasizing that the encoding stage of FF-PNet only employs traditional convolutional neural networks without any attention mechanisms or multilayer perceptrons, yet it still achieves remarkable improvements in registration accuracy, fully demonstrating the superior feature decoding capabilities of RFFM and RDFFM. We conducted extensive experiments on the LPBA and OASIS datasets. The results show our network consistently outperforms popular methods in metrics like the Dice Similarity Coefficient.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google