学习用于微分同胚配准的概率模型
计算机视觉与模式识别
2019-03-19 v2
摘要
我们提出从数据中学习一个可用于配准及形变分析的低维概率形变模型。该潜变量模型在编码空间中将相似形变映射至彼此邻近处。它能够比较形变、为任意新图像生成正常或病理性形变，或将形变从一对图像迁移至任意其他图像。我们的无监督方法基于变分推断。具体而言，我们使用条件变分自编码器（CVAE）网络，并通过施加可微指数层与对称损失函数将变换约束为对称且微分同胚。我们还给出了包含诸如基于扩散的滤波器等空间正则化的表述。此外，我们的框架提供多尺度速度场估计。我们在使用 334 例心脏电影 MRI 的 3-D 被试内配准上评估了该方法。在该数据集上，与使用 32 个潜维度的最先进三种方法相比，我们的方法展现出最先进的性能，平均 DICE 得分为 81.2%，平均 Hausdorff 距离为 7.3mm，同时也表现出更规则的形变场。每次配准平均耗时为 0.32s。此外，我们可视化了学习到的潜空间，并表明编码形变可用于迁移形变并以 83% 的分类准确率（在应用线性投影后）对疾病进行聚类。
引用
@article{arxiv.1812.07460,
title = {Learning a Probabilistic Model for Diffeomorphic Registration},
author = {Julian Krebs and Hervé Delingette and Boris Mailhé and Nicholas Ayache and Tommaso Mansi},
journal= {arXiv preprint arXiv:1812.07460},
year = {2019}
}
备注
Accepted at (c) IEEE TMI and featured on https://ieee-tmi.org/