基于分层先验的贝叶斯图谱构建及其在受试者特异性配准正则化中的应用
计算机视觉与模式识别
2021-07-14 v1 图像与视频处理
摘要
本文提出了一种新颖的分层贝叶斯模型，用于具有受试者特异性图像配准正则化的无偏图谱构建。我们开发了一种图谱构建流程，能够根据个体图像数据自动选择参数以控制微分同胚变换的光滑性。为此，我们在正则化参数上引入分层先验分布，允许对具有不同程度几何变换的图像施加多重惩罚。随后，我们将正则化参数视为潜变量，并使用蒙特卡洛期望最大化（MCEM）算法将其从模型中积分消去。我们算法的另一优势是消除了手动参数调优的需要，而后者往往繁琐且不可行。我们在三维脑MR图像上验证了模型的有效性。实验结果表明，与当前采用单一惩罚正则化的图谱构建算法相比，我们的模型能提供更清晰的图谱。我们的代码已公开于 https://github.com/jw4hv/HierarchicalBayesianAtlasBuild。
引用
@article{arxiv.2107.05698,
title = {Bayesian Atlas Building with Hierarchical Priors for Subject-specific Regularization},
author = {Jian Wang and Miaomiao Zhang},
journal= {arXiv preprint arXiv:2107.05698},
year = {2021}
}
备注
11 pages, 2 figures