跳到正文
AI NEWS JOURNAL
arXiv cs.CVAI NEWS / JOURNAL

用于医学图像间最优传输的凸势学习

arXiv:2610.37844v1 发布类型:新 摘要:在形态学分析中,计算医学图像之间的最优传输映射具有基础性作用。然而,现有方法要么难以扩展至大型三维医学图像,要么依赖于正则化形式,只能提供近似的传输映射。为提高下游医学图像分析的准确性,我们提出了一种新颖的方法,通过参数化凸势函数来估计最优传输映射。根据构造,所得的传输映射必定无旋,符合布雷尼耶定理。我们在二维和三维医学影像数据集上对该方法进行了评估。实验结果表明,我们的方法能够实现更低的传输估计误差,并生成更高q

摘要:在形态学分析中,计算医学图像之间的最优传输映射发挥着基础性作用。然而,现有方法要么难以扩展到大型三维医学图像,要么依赖于仅能提供近似传输映射的正则化形式。为了提升下游医学图像分析的准确性,我们提出了一种新颖的方法,通过参数化凸势函数来估计最优传输映射。根据构造,所得传输映射必定无旋,符合布雷尼耶定理。我们在二维和三维医学影像数据集上对该方法进行了评估。实验结果表明,与现有方法相比,我们的方法能够实现更低的传输估计误差,并生成更高质量的图像重建结果。

主题:| 计算机视觉与模式识别(cs.CV) 引用格式:| arXiv:2610.37844 [cs.CV] | (或

arXiv:2610.37844v1 [cs.CV] 用于本版本) | https://doi.org/10.48550/arXiv.2610.37844

点击了解更多信息

由 DataCite 提供的 arXiv 发布 DOI

提交历史

访问论文:

查看PDF

HTML(实验性)

TeX源代码

附加功能

音频摘要

当前浏览上下文:

参考文献与引用

Google 学术搜索

Semantic Scholar

书签

机构

arXivLabs 是一个框架,允许合作者直接在我们的网站上开发并共享新的 arXiv 功能。

无论是个人还是与 arXivLabs 合作的组织,都已认同并践行我们所倡导的开放、社区、卓越以及用户数据隐私等价值观。arXiv 致力于这些价值理念,并且只与同样秉持这些理念的合作伙伴开展合作。

您是否有一个能为 arXiv 社区创造价值的项目构想?欢迎了解更多关于 arXivLabs 的信息。

资料来源

阅读原文 ↗

相关主题

← 继续阅读全部动态