HyperPredict：估计可变形图像配准中实例特定正则化的超参数效应

医学图像配准方法通过最大化图像相似度度量来推断对齐图像对/组的几何变换。该问题是病态的，因为多个解可能具有等价的似然性，而且纯粹优化图像相似度可能产生不合理的变换。由于这些原因，正则化项对于获得有意义的配准结果至关重要。然而，这需要引入至少一个通常称为 $\lambda$ 的超参数，用作损失项之间的权衡。在某些情况下，估计变换的质量在很大程度上取决于超参数的选择，并且根据数据的特征可能需要不同的选择。分析这些超参数的效应需要带标签的数据，而这在测试时通常不可用。在本文中，我们提出了一种评估超参数影响并随后为给定图像对选择最优值的方法。我们称之为 HyperPredict 的方法实现了一个多层感知机，通过预测最终的分割重叠度和形变平滑度度量，来学习为配准图像对选择特定超参数的效应。这种方法使我们能够在测试时无需带标签数据即可选择最优超参数，从而消除了对“一刀切”交叉验证方法的需求。此外，用于定义最优超参数的标准在训练后是灵活的，允许我们高效地选择特定属性。我们在 OASIS 脑部 MR 数据集上使用一种近期的深度学习方法（cLapIRN）和一种算法方法（Niftyreg）评估了我们提出的方法。我们的结果展示了在预测正则化超参数效应方面的良好性能，并突出了我们针对图像对特定方法进行超参数选择的优势。