基于无监督深度学习的可变形图像配准：一种贝叶斯框架

近期提出了无监督深度学习（DL）模型用于可变形图像配准任务。在此类模型中，通过最小化浮动图像与目标图像间的某种差异函数来训练神经网络以预测最佳形变场。在无需可用参考形变场的数据集上训练后，此类模型可用于快速预测新见到的浮动与目标图像间的形变场。目前，训练过程有效地提供了网络权重的点估计，而非刻画其完整后验分布。这可能导致潜在的过拟合，从而在推断阶段产生次优结果，尤其对于医学影像领域常见的小规模数据集。我们引入了一种用于基于无监督 DL 的可变形图像配准的完全贝叶斯框架。我们的方法提供了一种刻画真实后验分布的原则性方式，从而避免潜在过拟合。我们使用随机梯度 Langevin 动力学（SGLD）进行后验采样，该方法在理论上严谨且计算高效。我们在 MNIST 与脑 MRI（MGH10）数据集上对比 VoxelMorph 无监督 DL 图像配准框架，展示了我们贝叶斯无监督 DL 配准框架的附加价值。实验表明，我们的方法通过改进的均方误差（MNIST 为 $0.0063$ 对 $0.0065$，MGH10 为 $0.73$ 对 $0.71$ 的 Dice 系数）提供了更好的形变场估计。此外，我们的方法通过刻画真实后验分布提供了形变场不确定性的估计。