从医学图像序列进行概率运动建模：在心脏电影 MRI 中的应用
计算机视觉与模式识别
2019-09-24 v2
摘要
我们提出从一系列图像中学习一个概率运动模型。除时空配准外，我们的方法还能从有限帧数预测运动，这对于时间超分辨率很有用。该模型基于一个概率潜空间以及一种新颖的时间 dropout 训练方案。这使得在仅给定序列的一帧或任意子集时，就能模拟和插值真实的运动模式。编码后的运动还可无需受试者间配准便从一个受试者迁移到另一个受试者。一种无监督生成形变模型被应用于时间卷积网络中，从而得到了一个微分同胚运动模型，编码为低维运动矩阵。应用于心脏电影-MRI 序列时，我们显示出相较于三种最先进（SOTA）配准算法，配准精度更高且时空上更平滑的形变。此外，我们通过在一健康案例中模拟一种病理来展示该模型对运动迁移的适用性。而且，我们展示了相较于线性和三次插值，从不完整序列中改进的运动重建。
引用
@article{arxiv.1907.13524,
title = {Probabilistic Motion Modeling from Medical Image Sequences: Application to Cardiac Cine-MRI},
author = {Julian Krebs and Tommaso Mansi and Nicholas Ayache and Hervé Delingette},
journal= {arXiv preprint arXiv:1907.13524},
year = {2019}
}
备注
Probabilistic Motion Model, Motion Tracking, Temporal Super-Resolution, Diffeomorphic Registration, Temporal Variational Autoencoder (Final version)