UNSUPERVISED MULTIMODAL IMAGE REGISTRATION WITH ADAPTATIVE GRADIENT GUIDANCE.
UNSUPERVISED MULTIMODAL IMAGE REGISTRATION WITH ADAPTATIVE GRADIENT GUIDANCE.
复制标题
基于自适应梯度制导的无监督多模图像配准。
DOI：
10.1109/icassp39728.2021.9414320
复制
发表时间：
2021-06
期刊：
影响因子：
--
通讯作者：
Jagadeesan J
中科院分区：
文献类型：
--
作者：
Xu Z;Yan J;Luo J;Li X;Jagadeesan J
多模态图像配准 (MIR) 是许多图像引导治疗中的基本程序。最近，基于无监督学习的方法在可变形图像配准的准确性和效率方面表现出了良好的性能。然而，现有方法的变形场估计完全依赖于待配准图像对。网络很难意识到不匹配的边界，导致器官边界对齐不理想。在本文中，我们提出了一种新颖的多模态配准框架，它巧妙地利用了从以下两个方面估计的变形场：（i）原始的待配准图像对，（ii）它们相应的梯度强度图，并将它们与所提出的门控融合模块自适应地融合。借助辅助梯度空间引导，网络可以更加集中于器官边界的空间关系。两个临床采集的 CT-MRI 数据集的实验结果证明了我们提出的方法的有效性。
Multimodal image registration (MIR) is a fundamental procedure in many image-guided therapies. Recently, unsupervised learning-based methods have demonstrated promising performance over accuracy and efficiency in deformable image registration. However, the estimated deformation fields of the existing methods fully rely on the to-be-registered image pair. It is difficult for the networks to be aware of the mismatched boundaries, resulting in unsatisfactory organ boundary alignment. In this paper, we propose a novel multimodal registration framework, which elegantly leverages the deformation fields estimated from both: (i) the original to-be-registered image pair, (ii) their corresponding gradient intensity maps, and adaptively fuses them with the proposed gated fusion module. With the help of auxiliary gradient-space guidance, the network can concentrate more on the spatial relationship of the organ boundary. Experimental results on two clinically acquired CT-MRI datasets demonstrate the effectiveness of our proposed approach.
登录
查看更多内容
影响因子：
5.7
作者：
Avants BB;Tustison NJ;Song G;Cook PA;Klein A;Gee JC
通讯作者：
Gee JC
影响因子：
10.9
作者：
Avants, B. B.;Epstein, C. L.;Gee, J. C.
通讯作者：
Gee, J. C.
影响因子：
10.9
作者：
Hu Y;Modat M;Gibson E;Li W;Ghavami N;Bonmati E;Wang G;Bandula S;Moore CM;Emberton M;Ourselin S;Noble JA;Barratt DC;Vercauteren T
通讯作者：
Vercauteren T
影响因子：
10.9
作者：
Heinrich, Mattias P.;Jenkinson, Mark;Schnabel, Julia A.
通讯作者：
Schnabel, Julia A.
影响因子：
10.9
作者：
Fan, Jingfan;Cao, Xiaohuan;Shen, Dinggang
通讯作者：
Shen, Dinggang