HyperPredict：对可变形图像配准中实例特定正则化的超参数效果进行估计
内容提要
医学图像配准研究综述：HyperMorph提出摊销超参数学习框架，用单一模型捕捉连续超参数值，加速计算并提升灵活性；后续研究将其用于学习线性弹性正则化参数。其他工作包括基于CNN的快速无监督三维配准、学习与优化结合方法、基于LDDMM的补丁级形变预测及不确定性估计、NeurReg框架、概率生成模型的拓扑保持配准，以及半弱监督配准流程。
延伸解读
HyperMorph 的核心思路与优势
HyperMorph 采用摊销超参数学习框架，通过单一模型捕捉连续超参数值对形变场的影响。这种方法能加速计算、降低负担并提高灵活性。在推理时，变形场的平滑度可任意调节，且不牺牲运行时间或配准准确性。
从 HyperMorph 到物理参数学习
后续研究利用 HyperMorph 框架学习线性弹性正则化器的两个弹性参数对空间变形场的影响，从而在测试时间发现适合数据的物理参数。这扩展了 HyperMorph 的应用范围，使其能适应更复杂的正则化需求。
学习与优化结合的策略
有研究将学习方法和优化方法结合，使用学习方法的输出作为优化的初始参数，并根据图像对的损失进行计算。在保持相同推理时间和形变场平滑度仅降低 0.8% 的情况下，使用最佳性能模型作为骨干，在测试中获得了 0.3% 的改进。
其他相关研究方向
其他工作包括基于 CNN 的快速无监督三维配准、基于 LDDMM 的补丁级形变预测及不确定性估计、NeurReg 框架、概率生成模型的拓扑保持配准，以及半弱监督配准流程。这些方法从不同角度推进了医学图像配准的发展。
Q&A
HyperMorph是什么？它如何用于可变形图像配准？
HyperMorph是一种基于摊销超参数学习框架的策略，用于可变形图像配准。它通过单一模型学习超参数对形变场的影响，能够捕获连续的超参数值，从而加快计算速度、降低计算负担并提高灵活性。
HyperMorph如何实现单个神经网络捕捉任意超参数的最优解？
HyperMorph通过学习与正则化超参数相关的条件特征，使单个深度卷积神经网络能够捕捉任意超参数的最优解。在推理过程中，可以以任意强度调整变形场的平滑度，而不会牺牲运行时间或配准准确性。
HyperMorph在医学图像配准中有哪些具体应用案例？
HyperMorph被用于学习线性弹性正则化器的两个弹性参数对空间变形场的影响，从而在测试时间发现适合数据的物理参数。此外，它还被用于大规模脑MRI数据集的实验，实现对变形场平滑度的精确控制。
除了HyperMorph，还有哪些基于深度学习的图像配准方法？
其他方法包括：基于CNN的快速无监督三维配准（Feb, 2018）；学习与优化结合的方法（Feb, 2018）；基于LDDMM的补丁级形变预测及不确定性估计（Jul, 2016）；NeurReg框架（Oct, 2019）；概率生成模型的拓扑保持配准（May, 2018）；以及半弱监督配准流程（Feb, 2024）。
基于CNN的无监督三维医学图像配准方法有什么特点？
该方法使用卷积神经网络模型和空间变换层，能够快速计算新扫描成像时的配准场，且无需监督信息。它可以在不破坏匹配场平滑性的前提下，将一张图像重构为另一张图像，速度提高数个数量级，有望加速医学图像分析和处理管道。
如何评估变形场的不确定性？
一种方法是创建贝叶斯概率版本的网络，允许在测试时间使用dropout的蒙特卡罗采样来评估变形场的不确定性。此外，基于概率生成模型和卷积神经网络的非监督学习方法也能得到不确定性估计。
