非監督学習による画像と表面の確率的微分同相登録の学習

古典的な変形登録技術は印象的な結果を達成し、厳密な理論的取り扱いを提供していますが、各画像ペアに対して最適化問題を解く必要があるため計算量が多大です。最近では、学習ベースの手法が空間変形関数を学習することで高速な登録を可能にしました。しかし、これらの手法は制限された変形モデルを使用していたり、教師ありラベルが必要だったり、または微分同相（トポロジー保存）登録を保証しないことがあります。さらに、学習ベースの登録ツールは不確実性推定を提供できる確率的フレームワークから導出されていませんでした。本論文では、古典的な手法と学習ベースの手法の間のつながりを構築します。確率的生成モデルを提示し、古典的な登録方法からの洞察を利用しつつ、最近の畳み込みニューラルネットワーク（CNNs）の発展を取り入れた教師なし学習ベースの推論アルゴリズムを導出します。当社の方法は3次元脳画像および解剖学的表面の登録タスクで示され、広範な経験的分析も提供しています。当社の原理に基づいたアプローチは最先端の精度と非常に高速な実行時間を達成しつつ、微分同相性を保証します。当社の実装は http://voxelmorph.csail.mit.edu で利用可能です。