用于漂移图像空间配准的共有域学习

为不共享同一概率分布的图像设计配准框架是现代图像分析中的一大挑战，但对人类视觉系统（HVS）而言却是平凡任务。概率分布上的差异（亦称“漂移”）可由多种原因引起，包括但不限于序列与模态的差异（例如 MRI T1-T2 与 MRI-CT 配准），或采集设置的差异（例如多站点、受试者间或受试者内配准）。关于 HVS 工作方式的流行假设是，它利用了待配准图像或视场之间存在的共有特征子空间，该子空间包含关键的漂移不变特征。模仿 HVS 可能采用的方法，本文提出一种对此由配准域共享的不变共有子空间的表示学习技术。所提出的共有域学习（CDL）框架使用一组分层非线性变换来学习共有子空间，以最小化概率差异并最大化配准域之间的共享信息量。随后在漂移最小化的所学共有子空间中进行配准的相似度度量与参数优化计算。该通用配准框架被应用于多序列（MR：T1、T2）与多模态（MR、CT）图像的配准。结果表明，相较于基线方法，所提方法对多序列与多模态数据均具有通用适用性、稳定性能以及统计显著的改进（$p$ 值 $<0.001$；Wilcoxon 秩和检验）。