图 reservoir 中冗余的谱解释-计算机科学-公平算法-图神经网络-算法.pdfVIP

cIDIR:基于条件隐式神经表示的正则化可变形图像

配准

SidatyElhadramy,OumeymahCherkaoui,andPhilippeC.Cattin

DepartmentofBiomedicalEngineering,UniversityofBasel,Switzerland

摘要正则化在可变形图像配准（DIR）中至关重要，以确保估计的变形矢

量场（DVF）保持平滑、物理上合理且解剖学一致。然而，在基于学习的

DIR框架中微调正则化参数计算成本高昂，通常需要多次训练迭代。为了

本解决这个问题，我们提出了cIDIR，这是一种基于隐式神经表示（INRs）

译的新DIR框架，它将配准过程条件化在正则化超参数上。与传统方法不同

中的是，传统方法需要针对每个正则化超参数设置重新训练，而cIDIR是在

这些超参数的先验分布上进行训练的，然后通过使用分割掩码作为观察值

1

v来优化正则化超参数。此外，cIDIR模型了一个连续且可微分的DVF，使

3高级正则化技术可以通过自动微分无缝集成。在DIR-LAB[5,6]数据集上

5

9的评估表明，cIDIR在整个数据集中实现了高准确性和鲁棒性。

2

1.Keywords:可变形图像配准·隐式神经表示·正则化·超参数优化

7

0

51介绍

2

:

v

i可变形图像配准（DIR）在医学成像中至关重要，用于对齐不同视角、

x

r模式、时间点或患者之间的图像。它使图像融合和分析成为可能，支持诊断、

a

治疗计划以及介入引导的应用[7,17]。为了增强DIR的有效性，强制使用微

分同胚变换是关键[24]，因为它确保了物理上的合理性同时最小化了可能影

响医学图像解释的伪影和失真。理论上，一个微分同胚变换是平滑且可逆

的[11]。为了强制这些属性，提出了各种正则化策略。Rohlfing等人。[21]

引入了一种雅可比正则化方法，其中雅可比矩阵的负行列式表示失去可逆

性。Burger等人。[4]提出了一种超弹性正则化项来控制长度、表面积和体

积的变化。Alvarez等。[1]引入了一种强制线性动量守恒的正则化项。此外，

Rueckert等人。[22]开发了一种弯曲能量正则化，以进一步确保变形向量场

(DVF)的平滑性。

Correspondingauthor.E-mail:sidaty.elhadramy@unibas.ch

2ElHadramyetal.

最近深度神经网络的进步带来了大量DIR方法的引入[10]。这些方法，

无论是有监督的[16]还是无监督的[2]，都学会了在网格上预测未见过图像

对的DVF。然而，基于网格的方法提供了DVF的不连续表示，这使得难以

应用需要精确梯度计算的高级正则化技术。特别是那些依赖于二阶梯度计算

的正则化方法，在这种情况下会面临挑战。因此，为了将这些正则化技术整

合进来，推动了旨在学习DVF连续且可微表示的方法的发展。一类引起关

注的方法依赖于隐式神经表示（INRs