Dual-Flow Transformation Network for Deformable Image Registration with Region Consistency Constraint

要約

変形可能な画像レジストレーションは、画像のペア間で高速かつ正確な位置合わせを実現できるため、多くの医用画像研究で重要な役割を果たします。
現在の深層学習（DL）ベースの画像レジストレーションアプローチは、畳み込みニューラルネットワークを活用することにより、ある画像から別の画像への空間変換を直接学習し、グラウンドトゥルースまたは類似性メトリックを必要とします。
それにもかかわらず、これらの方法は、画像内の関心領域（ROI）の類似性を無視する、画像のペアの類似性を評価するためにグローバル類似性エネルギー関数のみを使用します。
さらに、DLベースの方法では、画像のグローバルな空間変換を直接推定することが多く、画像内のROIの領域空間変換に注意を払うことはありません。
この論文では、画像のペア内のROIの類似性を最大化し、グローバルと領域の両方の空間変換を同時に推定する領域整合性制約を備えた新しいデュアルフロー変換ネットワークを提示します。
4つの公開3DMRIデータセットでの実験は、提案された方法が他の最先端の方法と比較して精度と一般化において最高の登録性能を達成することを示しています。

要約(オリジナル)

Deformable image registration is able to achieve fast and accurate alignment between a pair of images and thus plays an important role in many medical image studies. The current deep learning (DL)-based image registration approaches directly learn the spatial transformation from one image to another by leveraging a convolutional neural network, requiring ground truth or similarity metric. Nevertheless, these methods only use a global similarity energy function to evaluate the similarity of a pair of images, which ignores the similarity of regions of interest (ROIs) within images. Moreover, DL-based methods often estimate global spatial transformations of image directly, which never pays attention to region spatial transformations of ROIs within images. In this paper, we present a novel dual-flow transformation network with region consistency constraint which maximizes the similarity of ROIs within a pair of images and estimates both global and region spatial transformations simultaneously. Experiments on four public 3D MRI datasets show that the proposed method achieves the best registration performance in accuracy and generalization compared with other state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google