探索深度配准的潜在空间
计算机视觉与模式识别
2021-07-26 v1 人工智能
机器学习
摘要
深度神经网络的可解释性是该领域最具挑战性和最有趣的问题之一。在本研究中，我们聚焦于基于深度学习的配准方法的可解释性来探讨这一主题。具体而言，通过适当的模型架构并使用简单的线性投影，我们分解了编码空间，生成了一个新的基，并凭经验表明该基捕获了各种分解的具有解剖学感知的几何变换。我们使用分别聚焦于肺部和海马体 MRI 的两个不同数据集进行了实验。我们表明，这种方法可以在具有若干有趣特性的正交空间中，分解配准管线中高度复杂的潜在空间。我们希望这项工作能为更好地理解基于深度学习的配准方法提供一些启示。
引用
@article{arxiv.2107.11238,
title = {Exploring Deep Registration Latent Spaces},
author = {Théo Estienne and Maria Vakalopoulou and Stergios Christodoulidis and Enzo Battistella and Théophraste Henry and Marvin Lerousseau and Amaury Leroy and Guillaume Chassagnon and Marie-Pierre Revel and Nikos Paragios and Eric Deutsch},
journal= {arXiv preprint arXiv:2107.11238},
year = {2021}
}
备注
13 pages, 5 figures + 3 figures in supplementary materials Accepted to DART 2021 workshop