对跨域可变形图像注册的编码匹配标准.

科学领域:

• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 计算机视觉 计算机视觉

背景情况:

• 现有的深度学习注册模型因单一领域培训而难以处理跨领域任务.
• 为新情景重新训练模型是耗时且数据密集的.
• 需要有效和准确的跨领域可变形注册解决方案.

研究的目的:

• 开发一个以注册为导向的编码器,该编码器模拟匹配的标准,以提高准确性和适应性.
• 为了能够有效地适应不同的医疗图像领域.

主要方法:

• 一个通用特征编码器 (Encoder-G) 可以捕获全面的图像特征.
• 一个结构特征编码器 (Encoder-S) 编码结构自相似性.
• 一次性学习更新了Encoder-S用于域调整,在MRI脑部,腹部和心脏图像上进行评估.

主要成果:

• 在单一域的任务中实现了卓越的性能,超过了比较方法.
• 在没有一次性优化的情况下,在大多数跨域情景中表现优于其他深度网络.
• 在一次性优化后,在所有跨领域场景中成功超越传统方法 (SyN).

结论:

• 拟议的方法证明了有利的单域性能.
• 该方法显示了改进的泛化和适应跨域注册的改进.
• 该方法可用于挑战跨域注册应用程序.