MORPH-LER：面向人群的图像配准的对数欧几里得正则化
计算机视觉与模式识别
2025-07-08 v2 机器学习
摘要
捕捉人群层面形态统计信息的空间变换对于医学图像分析至关重要。常用的图像配准平滑正则化方法未能整合人群统计信息，导致解剖结构不一致的变换。逆一致性正则化器促进几何一致性，但缺乏人群形态度量的整合。而约束变形落入低维流形的方法的正则化器则侧重于重建而非可解释性，并忽略微分同胚属性，如群组成分和逆一致性。我们引入MORPH-LER，一个面向人群的无监督图像配准的对数欧几里得正则化框架。MORPH-LER从空间变换中学习人群形态度量，以指导和正则化配准网络，确保解剖结构合理的变形。其特点是采用瓶颈自编码器，通过迭代平方根预测计算变形场的主 logarithm。它创建了一个尊重微分同胚属性并强制逆一致性的线性化潜在空间。通过将配准网络与微分同胚自编码器集成，MORPH-LER产生平滑且有意义的变形场。该框架的两个主要贡献包括：（1）一种数据驱动的正则化策略，整合人群层面的解剖统计信息以增强变换的有效性；（2）一种使变形场紧凑且可解释，以高效进行人群形态度量分析的线性化潜在空间。我们在两个基于深度学习的配准网络家族中验证了MORPH-LER，展示了其在OASIS-1脑成像数据集上能够产生解剖准确、计算高效且统计有意义的变换。https://github.com/iyerkrithika21/MORPH_LER
引用
@article{arxiv.2502.02029,
title = {MORPH-LER: Log-Euclidean Regularization for Population-Aware Image Registration},
author = {Mokshagna Sai Teja Karanam and Krithika Iyer and Sarang Joshi and Shireen Elhabian},
journal= {arXiv preprint arXiv:2502.02029},
year = {2025}
}