通过联合优化网络架构和目标函数来实现可变形医疗图像注册的自动学习

科学领域:

• 医学图像分析 医学图像分析
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 可变形图像的注册对于医学图像分析至关重要.
• 目前的方法需要大量的专家投入来设计注册能源或调网络架构.

研究的目的:

• 开发一个自动学习注册算法 (AutoReg).
• 为了使非计算机专家能够获得针对各种场景的定制注册算法.
• 合作优化网络架构和培训目标.

主要方法:

• 一个三级框架,以合作优化网络架构和目标.
• 针对特定医疗数据集量身定制的深度注册网络的自动学习.
• 在多个体积数据集和注册场景上进行了广泛的实验.

主要成果:

• 自动注册自动学习最佳的深度注册网络.
• 在可变形图像注册中实现了最先进的性能.
• 与UNet架构相比,显著提高了计算效率 (每个体积对的0.558s到0.270s).

结论:

• AutoReg为自动化医疗图像注册提供了一个有效的解决方案.
• 该系统使非专家能够实现高性能注册.
• 自动调节提供了比现有方法更有效的计算替代方案.