面向深度分组图像配准的解剖结构与几何的贝叶斯无监督解耦
计算机视觉与模式识别
2025-09-16 v3
摘要
本文提出了一种用于多模态分组图像配准的通用贝叶斯学习框架。该方法建立在图像生成过程的概率建模基础之上，其中观测图像的潜在共同解剖结构和几何变化被显式地解耦为潜变量。因此，分组图像配准通过分层贝叶斯推断实现。我们提出了一种新颖的分层变分自编码架构来实现潜变量的推断过程，其中配准参数可以以数学上可解释的方式被显式估计。值得注意的是，这一新范式在无监督闭环自重建过程中学习分组图像配准，免去了设计复杂基于图像的相似性度量的负担。计算高效的解耦网络架构也具有内在的可扩展性和灵活性，允许对可变规模的大规模图像组进行分组配准。此外，通过解耦学习从多模态图像中推断出的结构表示，能够捕捉具有视觉语义的观测对象的潜在解剖结构。我们进行了大量实验来验证所提出的框架，包括来自心脏、脑部和腹部医学图像的四个不同数据集。结果表明，在准确性、效率、可扩展性和可解释性方面，我们的方法优于传统的基于相似性的方法。
引用
@article{arxiv.2401.02141,
title = {Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration},
author = {Xinzhe Luo and Xin Wang and Linda Shapiro and Chun Yuan and Jianfeng Feng and Xiahai Zhuang},
journal= {arXiv preprint arXiv:2401.02141},
year = {2025}
}