本文提出了一种改进的ConKeD框架,用于提高视网膜图像配准的性能。主要内容如下:
使用DRIVE数据集训练关键点检测网络,采用U-Net网络结构,输出关键点的热图。
使用ConKeD框架训练描述符网络,采用修改后的L2-net网络结构。在训练过程中,探索了多种对比学习损失函数,包括SupCon Loss、MP-InfoNCE Loss、MP-N-Pair Loss和FastAP Loss。
在推理时,使用检测到的关键点进行描述符匹配,并利用RANSAC算法估计图像配准的变换矩阵。
在标准FIRE数据集以及两个新的数据集LongDRS和DeepDRiD上进行了评估。结果表明,使用FastAP Loss可以取得最佳的配准性能。
相比于现有方法,本文提出的ConKeD++框架在各个数据集和评估指标上都取得了最佳的结果,展现了显著的优势。
Naar een andere taal
vanuit de broninhoud
arxiv.org
Belangrijkste Inzichten Gedestilleerd Uit
by Davi... om arxiv.org 04-26-2024
https://arxiv.org/pdf/2404.16773.pdfDiepere vragen