Diffeomorphic registration using geodesic shooting and Gauss-Newton optimisation.
Diffeomorphic registration using geodesic shooting and Gauss-Newton optimisation.
复制标题
DOI：
10.1016/j.neuroimage.2010.12.049
复制
发表时间：
2011-04-01
期刊：
影响因子：
5.7
通讯作者：
Friston KJ
中科院分区：
文献类型：
--
作者：
Ashburner J;Friston KJ
本文提出了一种基于大变形微分对称度量映射（LDDMM）设置的非线性图像配准算法，但具有更有效的优化方案-无论是在内存需求方面还是在达到收敛所需的迭代次数方面。该算法不是对一系列速度场进行变分优化，而是使用测地线射击程序，因此只估计初始速度。采用高斯-牛顿优化策略实现更快的收敛。使用免费的人工标记数据集对该算法进行了评估，并发现与使用相同数据评估的其他主题间配准算法进行了比较。
This paper presents a nonlinear image registration algorithm based on the setting of Large Deformation Diffeomorphic Metric Mapping (LDDMM), but with a more efficient optimisation scheme — both in terms of memory required and the number of iterations required to reach convergence. Rather than perform a variational optimisation on a series of velocity fields, the algorithm is formulated to use a geodesic shooting procedure, so that only an initial velocity is estimated. A Gauss–Newton optimisation strategy is used to achieve faster convergence. The algorithm was evaluated using freely available manually labelled datasets, and found to compare favourably with other inter-subject registration algorithms evaluated using the same data.
登录
查看更多内容
影响因子：
5.7
作者：
Shattuck, David W.;Mirza, Mubeena;Toga, Arthur W.
通讯作者：
Toga, Arthur W.
影响因子：
5.7
作者：
Jenkinson, M;Bannister, P;Smith, S
通讯作者：
Smith, S
DOI：
10.1023/b:visi.0000043755.93987.aa
发表时间：
2005-02-01
影响因子：
19.5
作者：
Beg, MF;Miller, MI;Younes, L
通讯作者：
Younes, L
影响因子：
10.6
作者：
Christensen, GE;Rabbitt, RD;Miller, MI
通讯作者：
Miller, MI
影响因子：
5.7
作者：
Ghosh, Satrajit S.;Kakunoori, Sita;Augustinack, Jean;Nieto-Castanon, Alfonso;Kovelman, Ioulia;Gaab, Nadine;Christodoulou, Joanna A.;Triantafyllou, Christina;Gabrieli, John D. E.;Fischl, Bruce
通讯作者：
Fischl, Bruce