无监督学习的概率微分配准用于图像和表面

经典的可变形配准技术取得了令人印象深刻的结果，并提供了严格的理论处理方法，但由于每对图像都需要解决一个优化问题，因此计算量较大。近年来，基于学习的方法通过学习空间变形函数加速了配准过程。然而，这些方法使用了受限的变形模型，需要监督标签，或者不能保证生成的配准是微分同胚（拓扑保持）的。此外，基于学习的配准工具尚未从可以提供不确定性估计的概率框架中推导出来。在本文中，我们建立了经典方法与基于学习方法之间的联系。我们提出了一种概率生成模型，并从中推导出一种无监督的基于学习的推理算法，该算法借鉴了经典配准方法的洞见，并利用了卷积神经网络（CNNs）领域的最新进展。我们在3D脑部图像及解剖表面的配准任务上展示了我们的方法，并进行了广泛的实证分析。我们的原则性方法不仅达到了当前最佳的准确性，而且运行速度非常快，同时还能保证微分同胚性。我们的实现代码可在 http://voxelmorph.csail.mit.edu 获取。