LEDA：基于对数欧几里得可微分自编码器用于高效的可微分分析
计算机视觉与模式识别
2025-07-08 v2 机器学习
摘要
图像配准是计算解剖学中的核心任务，用于在图像之间建立对应关系。可逆可变形配准计算变形场并处理复杂的非线性变换，这对于跟踪解剖结构的变异尤其重要，特别是在神经影像学应用中，其中inter-subject差异和纵向变化至关重要。分析变形场具有挑战性 due to其非线性，这限制了统计分析。然而，传统方法用于分析变形场计算昂贵、对初始化敏感且容易出现数值误差，尤其是在变形远离恒等时。为解决这些限制，我们提出Log-Euclidean Diffeomorphism Autoencoder (LEDA)，一种创新的框架旨在通过高效预测连续平方根来计算变形场的主对数。LEDA operates within a linearized latent space that adheres to the diffeomorphisms group action laws, enhancing our model's robustness and applicability. 我们还引入一种损失函数来强制逆一致性，确保变形场的准确潜在表示。大量实验在OASIS-1数据集上表明，LEDA在保持逆一致性的同时，能够准确地建模和分析复杂的非线性变形。此外，我们评估了其捕获和整合临床变量的能力，这增强了其在临床应用中的相关性。
引用
@article{arxiv.2412.16129,
title = {LEDA: Log-Euclidean Diffeomorphism Autoencoder for Efficient Statistical Analysis of Diffeomorphisms},
author = {Krithika Iyer and Shireen Elhabian and Sarang Joshi},
journal= {arXiv preprint arXiv:2412.16129},
year = {2025}
}