面向含缺失数据纵向研究的预测性图像回归
计算机视觉与模式识别
2018-08-24 v1
摘要
本文提出一种基于大变形微分同胚度量映射（LDDMM）和深度神经网络的含缺失数据纵向图像预测回归模型。我们的模型不直接预测图像扫描，而是预测与基线图像相关联的向量动量序列。该动量序列在LDDMM框架下参数化原始图像序列，并位于基线图像的切空间中（其为欧氏空间）。带有长短期记忆（LSTM）单元的循环网络编码向量动量序列中的时变变化，卷积神经网络（CNN）编码向量动量的基线图像。由LSTM和CNN提取的特征被输入解码器网络以重建向量动量序列，进而通过LDDMM射击形变基线图像用于图像序列预测。为处理某些时间点的缺失图像，我们采用二值掩码在损失计算中忽略其重建。我们在合成生成图像和来自OASIS数据集的脑MRI上评估了模型。实验结果表明，在两个数据集中，无论纵向图像序列变化大或小，模型均能给出有前景的时空变化预测。
引用
@article{arxiv.1808.07553,
title = {Predictive Image Regression for Longitudinal Studies with Missing Data},
author = {Sharmin Pathan and Yi Hong},
journal= {arXiv preprint arXiv:1808.07553},
year = {2018}
}
备注
1st Conference on Medical Imaging with Deep Learning (MIDL 2018), Amsterdam, The Netherlands