تعلم نموذج احتمالي للتسجيل التفاضلي الشكلي

نقترح تعلم نموذج تشوه احتمالي منخفض البعد من البيانات يمكن استخدامه للتسجيل وتحليل التشوهات. يقوم نموذج المتغير الكامن بتوسيم التشوهات المشابهة بالقرب من بعضها البعض في فضاء الترميز. هذا يتيح مقارنة التشوهات، وتوليد تشوهات طبيعية أو مرضية لأي صورة جديدة، أو نقل التشوهات من زوج صور إلى أي صورة أخرى. تعتمد طريقتنا غير المراقبة على الاستدلال التبادلي. بشكل خاص، نستخدم شبكة كودر تلقائي متغير مشروطة (CVAE) ونقيد التحويلات لتكون متناظرة ومتشوهة دفياً من خلال تطبيق طبقة أسس قابلة للمفاضلة مع دالة خسارة متناظرة. كما نقدم صياغة تتضمن تنظيمًا مكانيًا مثل مرشحات القائمة على الانتشار. بالإضافة إلى ذلك، يوفر إطارنا تقديرات حقول سرعة متعددة الأبعاد. قمنا بتقييم طريقتنا باستخدام تسجيل ثلاثي الأبعاد داخل الفرد باستخدام 334 صورة رنين مغناطيسي قلبية سينمائية. في هذا المجموعة من البيانات، أظهرت طريقتنا أداءً عالميًا بدرجة متوسطة لمؤشر DICE بلغت 81.2٪ ومتوسط المسافة هاوسدورف بلغ 7.3 ملم باستخدام 32 بعدًا كامنًا بالمقارنة مع ثلاثة طرق عالمية أخرى بينما أظهرت أيضًا حقول تشوه أكثر انتظامًا. كان الوقت المتوسط لكل تسجيل هو 0.32 ثانية. بالإضافة إلى ذلك، قمنا برسم الخريطة المرئية للفضاء الكامن المتعلم وأظهرنا أن التشوهات المرمزة يمكن استخدامها لنقل التشوهات ولتصنيف الأمراض بدقة تصنيف بلغت 83٪ بعد تطبيق الإسقاط الخطي.请注意，为了确保术语的专业性和准确性，我保留了某些英文术语的直接翻译，例如“conditional variational autoencoder (CVAE)”、“DICE score”和“Hausdorff distance”。这些术语在阿拉伯语科技文献中通常会以这种方式呈现。