基于高斯过程的基于特征的非刚性图像配准研究
计算机视觉与模式识别
2020-01-17 v1 机器学习
机器学习
摘要
对于自适应治疗计划或术中图像更新等广泛的临床应用，基于特征的可变形配准（FDR）方法因其简单性和低计算复杂度而被广泛采用。FDR 算法通过插值由所选特征之间建立的对应关系给出的稀疏场来估计稠密位移场。在本文中，我们将形变场视为高斯过程（GP），而所选特征被视为关于有效形变先验信息。利用 GP，我们能够在一次估计中同时得到稠密位移场和相应的不确定性图。此外，我们分别使用合成数据、体模数据和临床数据评估了平方指数核的不同超参数设置的性能。定量比较表明，基于 GP 的插值性能与最先进的 B 样条插值相当。基于 GP 的插值最大的临床益处在于它能对计算出的稠密位移图的数学不确定性给出可靠估计。
引用
@article{arxiv.2001.05862,
title = {An Investigation of Feature-based Nonrigid Image Registration using Gaussian Process},
author = {Siming Bayer and Ute Spiske and Jie Luo and Tobias Geimer and William M. Wells and Martin Ostermeier and Rebecca Fahrig and Arya Nabavi and Christoph Bert and Ilker Eyupoglo and Andreas Maier},
journal= {arXiv preprint arXiv:2001.05862},
year = {2020}
}