从配准不确定性到分割不确定性

理解基于深度学习的图像配准模型中固有的不确定性一直是一个持续的研究领域。现有方法已被开发用于量化与配准过程相关的变换不确定性和外观不确定性，阐明了模型在生成的形变方面可能表现出模糊性的区域。然而，我们的研究表明，当配准模型用于标签传播时，这两种不确定性均无法有效估计潜在误差。在此，我们提出了一种新颖的框架，用于同时估计图像配准的认知（epistemic）和偶然（aleatoric）分割不确定性。为此，我们实现了一个紧凑的深度神经网络（DNN），旨在通过最小化负对数似然损失函数，将形变中的外观差异转化为偶然分割不确定性。此外，我们将标签传播过程中的认知分割不确定性表示为传播标签的熵。通过引入分割不确定性以及现有的配准不确定性估计方法，我们为图像配准不同阶段的潜在不确定性提供了重要见解。我们使用公开可用数据集验证了所提出的框架，结果证明，用该方法估计的分割不确定性与标签传播中的误差具有良好的相关性，同时实现了优越的配准性能。