HyperPredict: Estimating Hyperparameter Effects for Instance-Specific Regularization in Deformable Image Registration

医学图像配准的方法是通过最大化图像相似度度量来推断几何变换，以对齐成对/组图像。这个问题是不适定的，因为可能有多个解具有等价的可能性，而且仅针对图像相似性进行优化可能会产生不合理的变换。因此，正则化项对于获得有意义的配准结果是必不可少的。然而，这需要引入至少一个超参数，通常称为λ，它在损失项之间提供权衡。在某些情况下，估计的变换质量非常依赖于超参数选择，而且根据数据的特性可能需要不同的选择。分析这些超参数的影响需要标记数据，这在测试时通常不可用。在本文中，我们提出了一种方法来评估超参数的影响，并随后选择给定图像对的最优值。我们的方法称为HyperPredict，实现了一个多层感知器，通过预测生成的分割重叠和变形平滑度量来学习选择特定超参数的效果，以配准图像对。这种方法使我们能够在测试时选择最优的超参数，而无需标记数据，消除了一种一刀切的交叉验证方法的需要。此外，用于定义最优超参数的标准在训练后是灵活的，使我们能够高效地选择特定的属性。我们在OASIS大脑MR数据集上使用最近的深度学习方法（cLapIRN）和算法方法（Niftyreg）评估了我们提出的方法。我们的结果表明，在预测正则化超参数的效果方面，我们的方法表现良好，并突出了我们的图像对特定超参数选择方法的优点。

本文旨在解决医学图像配准中超参数选择的问题，提出了一种无需标记数据的方法来预测超参数的最佳值。

本文提出的方法是使用多层感知器来学习选择特定超参数对于图像配准的影响，进而预测分割重叠和变形平滑度等度量指标，以选择最佳超参数值。

本文的方法在OASIS brain MR数据集上进行了评估，结果表明其在预测超参数的影响方面表现良好。该方法的亮点在于无需标记数据即可选择最佳超参数，消除了一种通用的交叉验证方法的需求。此外，该方法还具有灵活性，可以在训练后选择特定的性质。本文使用了最近的深度学习方法和算法方法来进行比较实验。

在医学图像配准领域，最近的相关研究包括：'Deep learning-based deformable image registration: A review'、'A survey of medical image registration on multicore and manycore processors'等。