配准 图像 多模 单模

基于学习的配准通过最大化预定义的相似性度量，寻求直接从一对图像预测变形场 [Fan等人，2019]5。监督或半监督学习策略在训练阶段使用真实变形场或分割掩码，可能面临缺乏标注数据的问题 6。

即使对于专家来说，标注配准数据也是非常耗时和费力的，因此提出了无监督方法来克服这一限制，神经网络仅通过最大化目标图像和源图像之间的图像相似性来预测配准变形场。

然而，无监督方法的性能在很大程度上取决于相似性度量的选择。常见的相似性度量，如 MSE 和 NCC，非常适合于单模态配准问题 [Balakrishnan等人，2019；de V os等人，2017]，但在多模态环境中表现不佳。通常，无监督多模态配准方法使用归一化互信息（NMI）和模态独立邻域描述符（MIND）作为图像相似性度量
————————————————

                            版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
                        
原文链接：https://blog.youkuaiyun.com/Run_Bomb/article/details/125829237