在无真实标签情况下评估配准
计算机视觉与模式识别
2020-02-26 v1
摘要
我们提出了一种评估非刚性配准(NRR)算法质量的通用方法，该方法不依赖于任何真实标签的存在，而仅依赖于数据本身。数据为一组图像。对此类图像集的任何 NRR 输出都是整个集合上的稠密对应关系。给定这样的稠密对应关系，可以构建关于集合外观变化的各种生成统计模型。我们表明，评估配准质量可映射为评估所得统计模型质量的问题。模型质量需要在用于构建模型的模型与图像数据之间进行比较。需注意，该方法不依赖于所用配准算法的具体细节(即无论使用组wise还是成对算法来配准图像集)，也不依赖于所用建模方法的具体细节。我们推导了可用于评估图像模型质量从而评估配准质量的图像模型特异性指标。该方法通过与基于真实解剖标签得出的配准质量评估进行比较得到验证。我们证明，我们的方法能够可靠地在没有真实标签的情况下评估 NRR。最后，为证明方法的实用性，我们在 3D MR 脑数据上比较了不同 NRR 算法——包括成对和组wise——的性能。
引用
@article{arxiv.2002.10534,
title = {Evaluating Registration Without Ground Truth},
author = {Carole J. Twining and Vladimir S. Petrović and Timothy F. Cootes and Roy S. Schestowitz and William R. Crum and Christopher J. Taylor},
journal= {arXiv preprint arXiv:2002.10534},
year = {2020}
}
备注
10 pages, 2 Figures, 3 Tables. Submitted to IEEE Transactions on Medical Imaging