UNIMODAL CYCLIC REGULARIZATION FOR TRAINING MULTIMODAL IMAGE REGISTRATION NETWORKS.
UNIMODAL CYCLIC REGULARIZATION FOR TRAINING MULTIMODAL IMAGE REGISTRATION NETWORKS.
复制标题
DOI：
10.1109/isbi48211.2021.9433926
复制
发表时间：
2021-04
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;Wells W;Li X;Jagadeesan J
无监督多模式图像配准框架的损失函数有两个项，即相似性度量和正则化度量。在深度学习时代，研究人员提出了许多自动学习相似性度量的方法，并已被证明在提高注册性能方面是有效的。然而，对于正则化项，大多数现有的多峰配准方法仍然使用手工制作的公式来对估计的变形场施加人工属性。在这项工作中，我们提出了一种单峰循环正则化训练流水线，它从简单的单峰配准中学习特定于任务的先验知识，以约束多模配准的变形场。在腹部CT-MR配准实验中，该方法比传统的正则化方法有更好的配准效果，特别是对于严重变形的局部区域。
The loss function of an unsupervised multimodal image registration framework has two terms, i.e., a metric for similarity measure and regularization. In the deep learning era, researchers proposed many approaches to automatically learn the similarity metric, which has been shown effective in improving registration performance. However, for the regularization term, most existing multimodal registration approaches still use a hand-crafted formula to impose artificial properties on the estimated deformation field. In this work, we propose a unimodal cyclic regularization training pipeline, which learns task-specific prior knowledge from simpler unimodal registration, to constrain the deformation field of multimodal registration. In the experiment of abdominal CT-MR registration, the proposed method yields better results over conventional regularization methods, especially for severely deformed local regions.
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：
6.2
作者：
Xu, Zhan;Zhou, Yang;Singh, Karan
通讯作者：
Singh, Karan