用于图像配准的摊销超参数学习

作者: | Andrew Hoopes | Malte Hoffmann | Bruce Fischl | John Guttag | Adrian V. Dalca |

摘要:我们提出了超形态,一种基于学习的可变形图像配准策略,它不需要在训练期间调整重要的注册超参数。经典的配准方法解决了一个优化问题,以找到两幅图像之间的一组空间对应关系,而基于学习的方法则利用训练数据集来学习生成这些对应关系的函数。这两种技术的结果的质量在很大程度上取决于超参数的选择。不幸的是,超参数调优是耗时的,通常需要训练多个具有不同超参数值的独立模型,可能会导致次优结果。针对这一不足,我们提出了一种新的图像配准策略--摊销超参数学习,这是一种研究超参数对变形场影响的新策略。该框架学习一个接收输入超参数的超网络,并对注册网络进行调制,生成该超参数值的最优变形场。实际上,这种策略训练了一个单一的、丰富的模型,该模型允许在测试时从连续的时间间隔快速、细粒度地发现超参数值。我们证明,与现有的搜索策略相比,这种方法可以更快地优化多个超参数,从而减少了计算和人工负担,增加了灵活性。我们还表明,这具有几个重要的好处,包括增强了对初始化的健壮性,以及快速识别特定于注册任务、数据集甚至单个解剖区域的最佳超参数值的能力--所有这些都不需要对HyperMorph模型进行再训练。我们的代码可在http://voxelmorph.mit.edu.公开使用

论文地址

https://arxiv.org/abs/2101.01035v1

下载地址

https://arxiv.org/pdf/2101.01035v1.pdf

全部源码

https://github.com/voxelmorph/voxelmorph 类型: tensorflow

图像配准

相关推荐

暂无评论

微信扫一扫,分享到朋友圈

用于图像配准的摊销超参数学习