图像配准与预测建模：在微分同胚空间上学习度量
计算机视觉与模式识别
2018-08-15 v1 机器学习
机器学习
摘要
我们提出了一种在大变形微分同胚度量映射（LDDMM）框架中进行度量优化的方法，将微分同胚空间上诱导的黎曼度量视为机器学习上下文中的核。为简洁起见，我们选择核Fisher线性判别分析（KLDA）作为框架。在期望最大化框架中优化核参数，我们通过决策函数的铰链损失定义模型保真度。所得算法将LDDMM范数诱导微分算子的参数优化作为组间配准与分类问题的解。在实践中，这可能会导致一种生物感知的配准，将注意力集中在手头的预测任务上，例如识别疾病的影响。我们首先在合成数据集上测试了我们的算法，表明我们的参数选择提高了配准质量和分类精度。然后我们在来自精神分裂症队列Schizconnect的3D皮层下形状上测试了该算法。我们的精神分裂症-对照预测模型相比基线参数在ROC AUC上显示出显著改进。
引用
@article{arxiv.1808.04439,
title = {Image Registration and Predictive Modeling: Learning the Metric on the Space of Diffeomorphisms},
author = {Ayagoz Mussabayeva and Alexey Kroshnin and Anvar Kurmukov and Yulia Dodonova and Li Shen and Shan Cong and Lei Wang and Boris A. Gutman},
journal= {arXiv preprint arXiv:1808.04439},
year = {2018}
}
备注
Accepted to ShapeMI workshop