摘要

我们提出了一种从数据中学习低维概率变形模型的方法，该模型可用于配准和变形分析。潜在变量模型在编码空间中将相似的变形映射到彼此附近。这使得可以比较不同的变形，为任何新图像生成正常或病理性的变形，或将一个图像对的变形传输到其他任意图像上。我们的无监督方法基于变分推断。具体而言，我们使用了条件变分自编码器（CVAE）网络，并通过应用具有对称损失函数的可微指数层来约束变换为对称且微分同胚的。我们还提出了一个包含空间正则化的公式，例如基于扩散的滤波器。此外，我们的框架提供了多尺度速度场估计。我们在334例心脏电影磁共振成像（cine-MRI）数据集上进行了3D同个体配准评估。在这个数据集中，我们的方法在使用32个潜在维度的情况下表现出了一流的性能，平均DICE得分为81.2%，平均Hausdorff距离为7.3毫米，优于三种现有的先进方法，并且展示了更加规则的变形场。每次配准的平均时间为0.32秒。此外，我们可视化了所学的潜在空间，并展示了编码后的变形可以用于传输变形以及通过线性投影聚类疾病，分类准确率达到83%。