SearchMorph:Multi-scale Correlation Iterative Network for Deformable Registration

要約

変形可能な画像レジストレーションは、画像に関する動的な情報を取得できます。これは、医療画像分析で非常に重要です。
教師なし深層学習登録方法は、ラベルなしで迅速に高い登録精度を達成できます。
ただし、これらの方法は一般に、相関のない機能、大きな変形と詳細を登録する能力の低さ、および不自然な変形フィールドに悩まされています。
上記の問題に対処するために、教師なしマルチスケール相関反復登録ネットワーク（SearchMorph）を提案します。
提案するネットワークでは、相関層を導入して特徴間の関連性を強化し、相関ピラミッドを構築してネットワークのマルチスケール関連性情報を提供します。
また、変形フィールドイテレータを設計します。これにより、モデルが検索モジュールとGRUを介して詳細と大きな変形を登録する機能が向上し、変形フィールドが現実的になります。
単一時間の脳MR画像と複数時間の心エコーシーケンスを使用して、大きな変形と詳細を登録するモデルの能力を評価します。
実験結果は、この論文の方法が、最先端までの短い経過時間を使用して、最高の位置合わせ精度と最低の折り畳み点比を達成することを示しています。

要約(オリジナル)

Deformable image registration can obtain dynamic information about images, which is of great significance in medical image analysis. The unsupervised deep learning registration method can quickly achieve high registration accuracy without labels. However, these methods generally suffer from uncorrelated features, poor ability to register large deformations and details, and unnatural deformation fields. To address the issues above, we propose an unsupervised multi-scale correlation iterative registration network (SearchMorph). In the proposed network, we introduce a correlation layer to strengthen the relevance between features and construct a correlation pyramid to provide multi-scale relevance information for the network. We also design a deformation field iterator, which improves the ability of the model to register details and large deformations through the search module and GRU while ensuring that the deformation field is realistic. We use single-temporal brain MR images and multi-temporal echocardiographic sequences to evaluate the model’s ability to register large deformations and details. The experimental results demonstrate that the method in this paper achieves the highest registration accuracy and the lowest folding point ratio using a short elapsed time to state-of-the-art.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google