面向鲁棒微分同胚配准的无监督概率形变建模
计算机视觉与模式识别
2018-07-23 v2
摘要
我们提出了一种基于形变低维概率参数化无监督学习的可形变配准算法。我们通过应用条件变分自编码器（CVAE）网络，以概率和生成的方式对配准进行建模。该模型能够基于概率潜空间对任意新图像生成正常或病理性形变。近期大多数基于学习的配准算法使用监督标签或形变模型，忽略了微分同胚和充分正则形变场等重要性质。在本工作中，我们通过使用具有对称损失函数的可微指数化层，将变换约束为微分同胚。我们在330个心脏MR序列上评估了我们的方法，并展示了鲁棒的同体配准结果，与两种最先进方法相当，但相比近期一种基于学习的算法具有更正则的形变场。我们的方法达到了78.3%的平均DICE分数和7.9mm的平均Hausdorff距离。在两个初步实验中，我们展示了该模型将病理性形变迁移至健康受试者以及在无监督形变编码空间中对五种疾病进行聚类的能力，分类性能为70%。
引用
@article{arxiv.1804.07172,
title = {Unsupervised Probabilistic Deformation Modeling for Robust Diffeomorphic Registration},
author = {Julian Krebs and Tommaso Mansi and Boris Mailhé and Nicholas Ayache and Hervé Delingette},
journal= {arXiv preprint arXiv:1804.07172},
year = {2018}
}