DiffOp-net: A Differential Operator-based Fully Convolutional Network for Unsupervised Deformable Image Registration

要約

既存の教師なし変形可能画像レジストレーション手法は通常、変換の滑らかさを確保するために正則化項として予測変位または速度フィールドの勾配に適用されるメトリックに依存しており、レジストレーション精度が制限される可能性があります。
この研究では、新しい微分演算子をレジストレーション フレームワークに導入することで、教師なしの変形可能な画像レジストレーションを強化する新しいアプローチを提案します。
このオペレーターは、速度フィールドに作用し、それを二重空間にマッピングすることで、最適化中の速度フィールドの滑らかさを保証し、正確な変形可能な位置合わせを容易にします。
さらに、画像ペア内の大きな変形を捕捉するという課題に取り組むために、Cross-Coowned Attendant モジュール (CCA) を導入し、提案されている完全畳み込みネットワーク (FCN) ベースの多重解像度レジストレーション アーキテクチャに埋め込みます。
評価実験は 2 つの磁気共鳴画像 (MRI) データセットに対して実行されます。
従来のアルゴリズムや 3 つの代表的な教師なし学習ベースの方法を含むさまざまな最先端の位置合わせアプローチと比較して、私たちの方法は優れた精度を達成し、望ましい微分同相特性を維持し、有望な位置合わせ速度を示します。

要約(オリジナル)

Existing unsupervised deformable image registration methods usually rely on metrics applied to the gradients of predicted displacement or velocity fields as a regularization term to ensure transformation smoothness, which potentially limits registration accuracy. In this study, we propose a novel approach to enhance unsupervised deformable image registration by introducing a new differential operator into the registration framework. This operator, acting on the velocity field and mapping it to a dual space, ensures the smoothness of the velocity field during optimization, facilitating accurate deformable registration. In addition, to tackle the challenge of capturing large deformations inside image pairs, we introduce a Cross-Coordinate Attention module (CCA) and embed it into a proposed Fully Convolutional Networks (FCNs)-based multi-resolution registration architecture. Evaluation experiments are conducted on two magnetic resonance imaging (MRI) datasets. Compared to various state-of-the-art registration approaches, including a traditional algorithm and three representative unsupervised learning-based methods, our method achieves superior accuracies, maintaining desirable diffeomorphic properties, and exhibiting promising registration speed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google