基于关键点的注册中的空间正则化以提高精度和可解释性
计算机视觉与模式识别
2025-03-10 v2
摘要
无监督注册策略通过优化固定体与移动体之间的相似性度量,可避免对变换或分割ground truth的要求。在这些方法中,最近的一类基于无监督关键点检测的方法表现尤为突出,因为它们能够实现可解释的解释。具体而言,这些方法训练一个网络来预测固定图像和移动图像的特征图,从而计算可解释的质心中心,以获得点云,随后以闭合形式对齐这些点云。然而,网络返回的特征往往呈现出空间扩散模式,这使得解释困难,从而削弱了关键点注册的意图。本文提出了一种三阶段损失函数来正则化特征的空间分布。首先,我们使用KL散度将特征建模为可解释为概率关键点的点扩散函数。随后,我们锐化这些特征的空间分布以提高检测到的地标的精度。最后,我们引入一种新的基于关键点间排斥损失,以鼓励空间多样性。总体而言,我们的损失显著提高了特征的可解释性,现在这些特征对应于精确且具有解剖学意义的地标。我们在胎儿刚性运动跟踪和脑MRI仿射注册任务中展示了三阶段损失,该方法不仅超越了最先进的无监督策略,而且与最先进的有监督方法不相上下。我们的代码已公开于 https://github.com/BenBillot/spatial_regularisation。
引用
@article{arxiv.2503.04499,
title = {Spatial regularisation for improved accuracy and interpretability in keypoint-based registration},
author = {Benjamin Billot and Ramya Muthukrishnan and Esra Abaci-Turk and P. Ellen Grant and Nicholas Ayache and Hervé Delingette and Polina Golland},
journal= {arXiv preprint arXiv:2503.04499},
year = {2025}
}
备注
under review