Ein probabilistisches Modell für die diffeomorphe Registrierung lernen

Wir schlagen vor, ein niedrigdimensionales wahrscheinlichkeitstheoretisches Deformationsmodell aus Daten zu lernen, das für die Registrierung und die Analyse von Deformationen verwendet werden kann. Das latente Variablenmodell ordnet ähnliche Deformationen in einem Kodierungsraum nahe beieinander an. Es ermöglicht es, Deformationen zu vergleichen, normale oder pathologische Deformationen für jedes neue Bild zu generieren oder Deformationen von einem Bildpaar auf jedes andere Bild zu übertragen. Unsere unüberwachte Methode basiert auf variationeller Inferenz. Insbesondere verwenden wir ein bedingtes variationelles Autoencoder-Netzwerk (CVAE) und beschranken Transformationen durch Anwendung einer differenzierbaren Exponentialschicht mit einer symmetrischen Verlustfunktion auf symmetrisch und diffeomorph. Wir präsentieren auch eine Formulierung, die räumliche Regularisierung wie diffusionsbasierte Filter einschließt. Zudem bietet unser Framework mehrstufige Geschwindigkeitsfeldabschätzungen. Wir haben unsere Methode anhand der 3D intrasubjektiven Registrierung unter Verwendung von 334 kardialen cine-MRTs evaluiert. In diesem Datensatz zeigte unsere Methode eine Spitzenleistung mit einem mittleren DICE-Wert von 81,2 % und einer mittleren Hausdorff-Distanz von 7,3 mm bei 32 latenten Dimensionen im Vergleich zu drei anderen Spitzenmethoden und demonstrierte gleichzeitig regelmäßigere Deformationsfelder. Die durchschnittliche Zeit pro Registrierung betrug 0,32 Sekunden. Darüber hinaus haben wir den gelernten latenten Raum visualisiert und gezeigt, dass die kodierten Deformationen verwendet werden können, um Deformationen zu übertragen und Krankheiten mit einer Klassifikationsgenauigkeit von 83 % nach Anwendung einer linearen Projektion zu gruppieren.