LiftReg：有限角度2D/3D可变形配准
LiftReg: Limited Angle 2D/3D Deformable Registration
AI总结：
提出LiftReg，一种基于DRR与CT图像对训练的2D/3D可变形配准深度框架，利用反投影特征和统计形变模型解决有限角度深度模糊问题，在DirLab数据集上优于现有学习方法。
摘要：
我们提出了LiftReg，一种2D/3D可变形配准方法。LiftReg是一个深度配准框架，使用数字重建放射图像（DRR）和计算机断层扫描（CT）图像对集合进行训练。通过使用模拟训练数据，LiftReg能够利用高质量的CT-CT图像相似性度量，帮助网络学习高质量的形变空间。为进一步提高配准质量并解决极有限角度采集固有的深度模糊问题，我们提出使用从反投影2D图像中提取的特征和统计形变模型。我们在DirLab肺部配准数据集上测试了该方法，并表明它优于现有的基于学习的成对配准方法。
英文摘要：
We propose LiftReg, a 2D/3D deformable registration approach. LiftReg is a deep registration framework which is trained using sets of digitally reconstructed radiographs (DRR) and computed tomography (CT) image pairs. By using simulated training data, LiftReg can use a high-quality CT-CT image similarity measure, which helps the network to learn a high-quality deformation space. To further improve registration quality and to address the inherent depth ambiguities of very limited angle acquisitions, we propose to use features extracted from the backprojected 2D images and a statistical deformation model. We test our approach on the DirLab lung registration dataset and show that it outperforms an existing learning-based pairwise registration approach.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
