Apprentissage de métriques variant dans l'espace pour l'enregistrement d'images difféomorphes : A Variational Framework.

Résumé Cet article présente une stratégie variationnelle pour apprendre des métriques variant dans l'espace sur de grands groupes d'images, dans le cadre du Large Deformation Diffeomorphic Metric Mapping (LDDMM). Les métriques variant dans l'espace que nous apprenons favorisent non seulement les déformations locales mais aussi les déformations corrélées dans différentes régions de l'image et dans différentes directions. De plus, les paramètres métriques peuvent être estimés efficacement en utilisant une méthode de descente de gradient. Nous décrivons d'abord la stratégie générale, puis nous montrons comment l'utiliser sur des images médicales 3D avec des ressources de calcul raisonnables. Notre méthode est évaluée sur les images cérébrales 3D du jeu de données LPBA40. Les résultats sont comparés avec ANTS-SyN et LDDMM avec des métriques spatialement homogènes.