体素变形

体素变形:可变形医学图像配准的学习框架。我们提出了一种基于快速学习的可变形成对医学图像配准框架VoxelMorph。传统的配准方法对每一对图像都要优化一个目标函数,对于大数据集或丰富的变形模型,这可能会很耗时。与此方法不同,并基于最新的基于学习的方法,我们将注册描述为将输入图像对映射到对齐这些图像的变形场的函数。我们通过卷积神经网络(CNN)对函数进行参数化,并在一组图像上优化神经网络的参数。给定一对新的扫描,体素变形通过直接计算函数来快速计算变形场。在这项工作中,我们探讨了两种不同的训练策略。在第一个(无监督)设置中,我们训练模型使基于图像强度的标准图像匹配目标函数最大化。在第二种情况下,我们利用训练数据中可用的辅助分段。我们证明,无监督模型的精度可与最先进的方法相媲美,同时操作速度更快。我们还证明了用辅助数据训练的体素形态提高了测试时的配准精度,并评估了训练集大小对配准的影响。我们的方法有望加快医学图像分析和处理管道的速度,同时为基于学习的注册及其应用提供新的方向。我们的代码可以在这个httpurl上免费获得。