MORPH-LER : 对数欧几里得正则化用于人群感知图像配准-计算机科学-可变形图像配准-医学图像分析.pdfVIP

ProceedingsofMachineLearningResearch–223:1–12,2025FullPaper–MIDL2025submission

MORPH-LER:对数欧几里得正则化用于人群感知图像配准

MokshagnaSaiTejaKaranam∗mokshagna.karanam@

KrithikaIyer∗krithika.iyer@

SarangJoshisarang.joshi@

ShireenElhabianshireen@

KarlertSchoolofComputing,UniversityofUtah,UT,USA

ScientificComputingandImagingInstitute,UniversityofUtah,UT,USA

BiomedicalEngineeringDepartment,UniversityofUtah,UT,USA

Editors:AcceptedforpublicationatMIDL2025

本Abstract

译捕获群体水平形态统计的空域变换对医学图像分析至关重要。常用的平滑正则化器在图像配准中未

中能整合群体统计数据，导致解剖结构不一致的变换。逆一致性正则化器促进了几何一致性但缺乏群体

形态学整合。约束变形到低维流形方法的正则化器解决了这一问题。然而，它们优先考虑重建而非可

2

v解释性，并忽视了微分同胚性质，如群组组成和逆一致性。我们引入了MORPH-LER，一个用于感

9知群体无监督图像配准的日志欧几里得正则化框架。MORPH-LER从空间变换中学习群体形态学以

2

0指导和正则化配准网络，确保解剖结构上合理的变形。它具有瓶颈自编码器，通过迭代平方根预测计

2算变形场的主要对数。它创建了一个尊重微分同胚性质并强制执行逆一致性的线性潜在空间。通过将

0.注册网络与微分同胚自动编码器集成，MORPH-LER产生平滑且有意义的变形场。该框架提供了两

2个主要贡献：(1)一种数据驱动的正则化策略，整合群体水平解剖统计以增强变换的有效性；(2)一个

0

5线性潜在空间，能够使紧凑和可解释的变形场用于高效的人群形态学分析。我们在两类基于深度学习

2的注册网络家族上验证了MORPH-LER，展示了其在OASIS-1脑成像数据集上生成解剖结构准确、

:

v计算效率高且统计上有意义变换的能力。/iyerkrithika21/MORPH_LER

i

xKeywords:可变形图像配准，流形统计，非刚性，微分同胚，形状总体统计，对数欧几里得统计

r

a

1.介绍

图像配准在医学影像分析中至关重要。它涉及到确定图像之间像素坐标的单射映射，以对

齐相应的解剖点。配准算法建立对应关系，使创建人口级别的图谱成为可能，为研究疾病进展、

病理检测、治疗计划和运动追踪提供标准化参考(Suganyadevietal.,2022;Zachiuetal.,2020;

BinteAlametal.,2020;Viergeveretal.,2016)。图像配准方法的多功能性使其在各种成像模式

中不可或缺(Huangetal.,2022)。微分同胚是保持图像拓扑并防止撕裂或折叠等伪影的平滑可

逆空间变换，是空间变换的关键类别。它们使得能够精确比较患者间和时间点上的解剖结构