SITReg: Multi-resolution architecture for symmetric, inverse consistent, and topology preserving image registration

要約

ディープ ラーニングは、2 つの画像の座標系間のマッピングを見つけることが目的である、変形可能な医療画像の位置合わせのための古典的な反復手法の強力な代替手段として登場しました。
一般的な古典的な画像レジストレーション方法は、対称性、逆一貫性、および構築によるトポロジ保存の有用な帰納的バイアスを強制します。
ただし、多くの深層学習登録方法は損失関数を通じてこれらの特性を促進しますが、以前の方法では構築によってそれらすべてを強制するものはありませんでした。
ここでは、構造的に対称的で、逆整合性があり、トポロジーが保持される、多重解像度の特徴表現の抽出に基づく新しい登録アーキテクチャを提案します。
また、変形フィールドのメモリ効率の高い反転のための暗黙的な層も開発します。
私たちの手法は、3 つのデータセットで最先端の位置合わせ精度を実現します。
コードは https://github.com/honkamj/SITReg で入手できます。

要約(オリジナル)

Deep learning has emerged as a strong alternative for classical iterative methods for deformable medical image registration, where the goal is to find a mapping between the coordinate systems of two images. Popular classical image registration methods enforce the useful inductive biases of symmetricity, inverse consistency, and topology preservation by construction. However, while many deep learning registration methods encourage these properties via loss functions, no earlier methods enforce all of them by construction. Here, we propose a novel registration architecture based on extracting multi-resolution feature representations which is by construction symmetric, inverse consistent, and topology preserving. We also develop an implicit layer for memory efficient inversion of the deformation fields. Our method achieves state-of-the-art registration accuracy on three datasets. The code is available at https://github.com/honkamj/SITReg.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google