Apprentissage de métriques pour l'enregistrement d'images

L'inscription d'images est une technique clé dans l'analyse d'images médicales pour estimer les déformations entre des paires d'images. Un bon modèle de déformation est essentiel pour obtenir des estimations de haute qualité. Cependant, la plupart des approches existantes utilisent des modèles de déformation ad hoc choisis pour leur commodité mathématique plutôt que pour capturer la variabilité observée des données. Les récentes approches basées sur l'apprentissage profond apprennent directement les modèles de déformation à partir des données. Toutefois, elles offrent un contrôle limité sur la régularité spatiale des transformations. Au lieu d'apprendre l'ensemble de l'approche d'inscription, nous apprenons un régulariseur s'adaptant spatialement au sein d'un modèle d'inscription. Cela permet de contrôler le niveau souhaité de régularité et de préserver les propriétés structurelles du modèle d'inscription. Par exemple, des transformations difféomorphiques peuvent être obtenues. Notre approche représente une rupture radicale par rapport aux méthodes existantes basées sur l'apprentissage profond en intégrant un modèle d'apprentissage profond dans un algorithme d'inscription fondé sur l'optimisation, afin de paramétrer et adapter le modèle d'inscription lui-même aux données.