深度隐式优化：可为可变形图像配准构建鲁棒可学习特征
计算机视觉与模式识别
2025-05-06 v4 机器学习
图像与视频处理
摘要
深度学习图像配准（DLIR）方法因其速度快以及能够在训练时纳入弱标签监督而取得了巨大成功。然而，现有的 DLIR 方法放弃了许多优化方法的优势和不变性。缺乏任务特定归纳偏置的 DLIR 方法导致在 domain shift 存在时性能次优。我们的方法旨在通过在深度网络中显式地将优化作为一层来弥合统计学习与优化之间的鸿沟。一个深度网络被训练来预测多尺度稠密特征图像，这些特征图像通过一个黑盒迭代优化求解器进行配准。该 optimal warp 随后用于最小化图像和标签对齐误差。通过对迭代优化求解器进行端到端的隐式微分，我们显式地利用由优化引起的对应匹配问题的不变性，同时学习配准和标签感知特征，确保该 warp 函数在特征空间中的注册目标是局部最小。我们的框架在 in-domain 数据集上表现优异，对 domain shift 如各向异性和强度 profile 变化等具有不依赖性。首次实现了在测试时可随意切换任意变换表示（从自由形式到可微分）且无需重新训练。端到端特征学习也促进了特征的可解释性以及任意 test-time 正则化，而这在现有的 DLIR 方法中是无法实现的。
引用
@article{arxiv.2406.07361,
title = {Deep Implicit Optimization enables Robust Learnable Features for Deformable Image Registration},
author = {Rohit Jena and Pratik Chaudhari and James C. Gee},
journal= {arXiv preprint arXiv:2406.07361},
year = {2025}
}
备注
Accepted at Medical Image Analysis