Метрическая модель машинного обучения для задачи регистрации изображений

Регистрация изображений является критически важным шагом в огромном разнообразии проблем в области анализа медицинских изображений. В нашем исследовании рассматривается один из очень важных вопросов анализа медицинских изображений, а именно, как выровнять (зарегистрировать) одно изображение органа (например, мозга) к другому подобному изображению. В области неврологии Регистрация изображений необходима как для сопоставления снимков одного и того же человека с временными слайсами (например, в случае функционального МРТ), так и для сравнения снимков мозга разных людей или даже групп (например, здоровых или больных). Известно, что аффинное преобразование дает плохие результаты в этой задаче. Более сложные методы, например, Large Deformation Diffeomorphic Metric Mapping (LDDMM), позволяют более точную регистрацию, не имея разумных автоматических методов выбора параметров. Предложена итерационная процедура оптимизации параметров модели LDDMM на градиентном спуске в пределах контролируемых параметров. На основе синтетического набора данных мы проводим три набора экспериментов. Сначала мы подтверждаем, что LDDMM со стандартной процедурой выбора параметров превосходит аффинную регистрацию. Во-вторых, мы используем классификацию яд