一种用于球面配准的深度离散学习框架
计算机视觉与模式识别
2022-03-25 v1 机器学习
摘要
皮层表面配准是神经影像分析的基础工具，已被证明可相对于体素方法改善功能区的对齐。经典上，图像配准通过优化复杂的客观相似性函数来完成，导致较长的运行时间。这促成了将所有数据对齐到全局平均参考帧的惯例，而该参考帧难以反映潜在的皮层异质性。本文提出一种新颖的基于无监督学习的框架，将配准转化为一个多标签分类问题，其中低分辨率控制网格中的每个点形变到固定有限数量端点中的一个。这通过使用球面几何深度学习架构以端到端无监督方式学习，并借助深度条件随机场 (CRF) 施加正则化。实验表明，在相似度和面积畸变方面，我们提出的框架与最流行的经典表面配准算法相比具有竞争力，并且即使在不典型皮层形态学的受试者中也比其他基于学习的表面配准方法生成更平滑的形变。
引用
@article{arxiv.2203.12999,
title = {A Deep-Discrete Learning Framework for Spherical Surface Registration},
author = {Mohamed A. Suliman and Logan Z. J. Williams and Abdulah Fawaz and Emma C. Robinson},
journal= {arXiv preprint arXiv:2203.12999},
year = {2022}
}
备注
13 pages