Bayesian intrinsic groupwise registration via explicit hierarchical disentanglement

要約

マルチモーダルなグループワイズ登録に関する従来の手法は、一般に、ある種の高度に特化した類似性メトリックを必要とし、適用範囲が限定されている。本研究では、その代わりに、グループワイズレジストレーションを階層的ベイズ推論の手続きとして定式化する一般的なフレームワークを提案する。ここでは、マルチモーダル医用画像の形状遷移と外観変化を含む撮像過程を、分離型変分オートエンコーダで特徴付ける。このため、共通の構造表現と所望の空間的対応の共同学習を容易にする、新しい変分事後処理とネットワークアーキテクチャを提案する。提案モデルの性能は、一般に公開されている2つのマルチモーダルデータセット、すなわち、BrainWebと心臓のMS-CMRで検証された。その結果、エンドツーエンドでマルチモーダルなグループワイズ登録の実現における我々のフレームワークの有効性が実証された。

要約(オリジナル)

Previous methods on multimodal groupwise registration typically require certain highly specialized similarity metrics with restrained applicability. In this work, we instead propose a general framework which formulates groupwise registration as a procedure of hierarchical Bayesian inference. Here, the imaging process of multimodal medical images, including shape transition and appearance variation, is characterized by a disentangled variational auto-encoder. To this end, we propose a novel variational posterior and network architecture that facilitate joint learning of the common structural representation and the desired spatial correspondences. The performance of the proposed model was validated on two publicly available multimodal datasets, i.e., BrainWeb and MS-CMR of the heart. Results have demonstrated the efficacy of our framework in realizing multimodal groupwise registration in an end-to-end fashion.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL