BInGo：基于显式层次解耦的贝叶斯内在分组配准
计算机视觉与模式识别
2022-12-13 v2
摘要
多模态分组配准（multimodal groupwise registration）旨在对齐一组医学图像中的内部结构。当前解决该问题的方法涉及在所有图像的联合强度剖面上设计相似性度量，这对于大规模图像组可能计算代价高昂，且在各种条件下不稳定。为解决这些问题，我们提出 BInGo，一种基于深度学习的通用无监督层次贝叶斯框架，用于学习内在结构表示以度量多模态图像的相似性。特别地，我们提出了一种具有新颖后验的变分自编码器，其促进结构表示与空间变换的解耦学习，并刻画了从具有形状过渡与外观变化的共同结构出发的成像过程。值得注意的是，BInGo 可扩展至从小规模图像组学习，同时在大规模分组配准测试中也表现良好，从而显著降低计算成本。我们在三个公开的同体及异体数据集（即 BraTS、心脏 MS-CMR 和 Learn2Reg 腹部 MR-CT）上将 BInGo 与五种迭代或深度学习方法进行比较，并证明了其优越的精度与计算效率，即便对于非常大的组规模（例如，MS-CMR 中每组超过 1300 张 2D 图像）也是如此。
引用
@article{arxiv.2206.02377,
title = {BInGo: Bayesian Intrinsic Groupwise Registration via Explicit Hierarchical Disentanglement},
author = {Xin Wang and Xinzhe Luo and Xiahai Zhuang},
journal= {arXiv preprint arXiv:2206.02377},
year = {2022}
}