Registration by Regression (RbR): a framework for interpretable and flexible atlas registration

在人类神经影像研究中，图谱配准使MRI扫描映射到一个共同的坐标框架中，这对于整合来自多个受试者的数据是必要的。机器学习配准方法已经取得了极高的速度和准确度，但缺乏可解释性。最近，提出了基于关键点的方法来解决这个问题，但它们的准确性仍然不够，特别是在拟合非线性变换时。在这里，我们提出了一种新颖的图谱配准框架——回归配准（RbR），它非常强大和灵活，概念上简单，可以用廉价的数据进行训练。RbR为输入扫描的每个体素（即每个关键点）预测（x，y，z）图谱坐标，然后使用闭合形式的表达式快速拟合变换，包括仿射和非线性（例如Bspline，Demons，可逆的微分同胚模型等）。大量体素提供了鲁棒性，并且可以通过鲁棒估计器（如RANSAC）进一步增加鲁棒性。对独立公共数据集的实验表明，RbR比竞争的关键点方法提供更准确的配准，同时提供变形模型的完全控制。

论文旨在解决神经成像数据中的图谱配准问题，即将多个主体的MRI扫描映射到一个共同的坐标系中。同时，该论文试图提出一种新的解决方案来克服机器学习方法在配准过程中的不可解释性和关键点方法在非线性变换拟合上的准确性问题。

论文提出了一种名为Registration by Regression（RbR）的新型图谱配准框架，通过预测输入扫描的每个体素的(x,y,z)图谱坐标来实现高度鲁棒和灵活的配准。然后使用闭合形式表达式来快速适配各种可能的变形模型，包括仿射和非线性模型。该方法利用大量的体素信息进行配准，具有很强的鲁棒性，并且可以通过RANSAC等鲁棒估计器进一步增强鲁棒性。

论文在多个公共数据集上进行了实验，结果表明RbR比竞争的关键点方法具有更高的配准精度，并提供了变形模型的完全控制。此外，该方法可以使用廉价的数据进行训练，并且具有概念上的简单性。论文未公开代码。

在这个领域内，最近的相关研究包括基于关键点的方法，例如SIFT-Flow和LDDMM，以及基于深度学习的方法，例如VoxelMorph和DeepReg。