Quicksilver：快速预测式图像配准——一种深度学习方法

本文介绍 Quicksilver，一种快速的可变形图像配准方法。用于图像对的 Quicksilver 配准通过基于图像外观直接进行变形模型的逐块预测来实现。使用深度编码器-解码器网络作为预测模型。虽然预测策略是通用的，但我们专注于大变形微分同胚度量映射（LDDMM）模型的预测。具体而言，我们预测 LDDMM 的动量参数化，这促进了逐块预测策略，同时保持了 LDDMM 的理论性质，例如在足够强的正则化下保证微分同胚映射。我们还提供了预测网络的概率版本，可在测试期间进行采样以计算预测变形中的不确定性。最后，我们引入了一种新的校正网络，极大地提高了现有预测网络的预测精度。我们展示了单模态图谱到图像以及单模态/多模态图像到图像配准的实验结果。这些实验表明，我们的方法准确预测了通过数值优化获得的配准，速度非常快，在四个标准验证数据集上实现了 SOTA 配准结果，并且可以联合学习图像相似性度量。Quicksilver 作为开源软件免费提供。