区域特异性的微分同胚度量映射
计算机视觉与模式识别
2019-11-12 v2
摘要
我们提出一种区域特异性微分同胚度量映射（RDMM）配准方法。RDMM 是非参数的，估计参数化所求空间变换的时空速度场。对这些速度场进行正则化是必要的。然而，现有非参数配准方法（如大位移微分同胚度量映射（LDDMM）模型）使用固定的空间不变正则化，而我们的模型随估计的速度场平流一个空间变化的正则化项，从而自然地将时空正则化项附着于形变对象。我们探讨了一系列 RDMM 配准方法：1）区域具有独立正则化且被预定义（如地图集空间中）的配准模型，2）估计通用空间变化正则化项的配准模型，3）通过端到端训练的深度学习（DL）模型获得空间变化正则化项的配准模型。我们给出 RDMM 的变分推导，证明该模型在连续情形下能保证微分同胚变换，且 LDDMM 是 RDMM 的一个特例。为评估 RDMM 性能，我们实验如下：1）合成 2D 数据，2）两个 3D 数据集：骨关节炎倡议（OAI）的膝关节磁共振图像（MRI）与肺部计算机断层扫描图像（CT）。结果表明，我们的框架取得了 SOTA 的图像配准性能，同时通过学到的时空正则化项提供了额外信息。此外，我们的深度学习方法可实现极快的 RDMM 与 LDDMM 估计。我们的代码将开源。代码见 https://github.com/uncbiag/registration。
引用
@article{arxiv.1906.00139,
title = {Region-specific Diffeomorphic Metric Mapping},
author = {Zhengyang Shen and François-Xavier Vialard and Marc Niethammer},
journal= {arXiv preprint arXiv:1906.00139},
year = {2019}
}
备注
Accepted by NeurIPS 2019