基于在线学习的介入影像序列运动建模

医学检查期间的图像监测与引导可辅助诊断和治疗。然而，采样频率往往过低，导致需要估计缺失的图像。我们提出了一种用于连续医学图像的概率性运动模型，能够估计已获取图像之间的运动，并提前预测运动。其核心是基于线性高斯状态空间模型的低维时序过程，具有对预测、仿真和缺失样本插值的解析解。来自两个公开心脏数据集的实验结果表明，结合在线学习实现的患者特定适应，能够可靠地估计运动并提高预测性能。