IMAGE REGISTRATION WITH OPTIMAL REGULARIZATION PARAMETER SELECTION BY LEARNED AUTO ENCODER FEATURES.
IMAGE REGISTRATION WITH OPTIMAL REGULARIZATION PARAMETER SELECTION BY LEARNED AUTO ENCODER FEATURES.
复制标题
DOI：
10.1109/isbi48211.2021.9434161
复制
发表时间：
2021-04
期刊：
影响因子：
--
通讯作者：
Kong J
中科院分区：
文献类型：
--
作者：
Akossi A;Wang F;Teodoro G;Kong J
针对正则化自由变形(FFD)非刚体图像配准问题，提出了一种优化正则化参数的方法。所开发的过程利用自动编码器生成的图像表示来通过正则化参数来评估图像数据的泛化质量。同时使用像素强度和学习特征来提高反问题解的整体精度和规律性。我们实现了新的选择准则，并将其用于基于L2正则化的多层B样条的非刚性图像FFD配准，并用合成和真实的组织病理学图像数据验证了该方法的有效性。定性和定量结果都表明，我们开发的方法对于微调组织病理学显微镜图像是有效的。
In this paper, we propose a method that optimizes a regularization parameter for the regularized Free Form Deformation (FFD) non-rigid image registration. The developed process utilizes autoencoder generated image representations to assess image data generalization quality by the regularization parameter. Both pixel intensity and learned features are used to improve the overall accuracy and regularity of the resulting inverse problem solution. We implement the new selection criterion with its use in the non-rigid image FFD registration based on multi-level Bspline with L2-regularization, and validate the method with synthetic and real histopathology image datasets. Both qualitative and quantitative results suggest the efficacy of our developed method for fine-tuning histopathology microscope images.
登录
查看更多内容
影响因子：
--
作者：
Song G;Han J;Zhao Y;Wang Z;Du H
通讯作者：
Du H
影响因子：
10.9
作者：
Thirion, J P
通讯作者：
Thirion, J P
影响因子：
19.5
作者：
Chambolle, Antonin;Darbon, Jerome
通讯作者：
Darbon, Jerome
影响因子：
10.6
作者：
Vishnevskiy, Valery;Gass, Tobias;Goksel, Orcun
通讯作者：
Goksel, Orcun
DOI：
10.1109/isbi.2017.7950552
发表时间：
2017-04
期刊：
Proceedings. IEEE International Symposium on Biomedical Imaging
影响因子：
--
作者：
Rossetti BJ;Wang F;Zhang P;Teodoro G;Brat DJ;Kong J
通讯作者：
Kong J