Predictive Image Regression for Longitudinal Studies with Missing Data
論文鏈接：https://arxiv.org/abs/1808.07553
他人評價：
實際上，LDDMM本身就可以理解爲一個深度網絡，而且是結構最優化的深度網絡，基於geodesic shooting的方案實際上和deep learning的前向卷積+back propagation完全是一回事，所以是否需要再使用深度網絡我是懷疑的。當然，如果可以通過訓練來直接估計測地線，也許是個不錯的方案，但我懷疑其通用性，可能只是針對某一類圖像，比如都是去配準某一個人體解剖結構，如果是針對一般圖像，可能訓練結果不會好，結果也不不太會具備遷移特性。配準精度上，可能deep learning給出的結果只能是次優的，可能可以作爲一個比較好的初始值來繼續優化一下。
作者：信息門下走狗
鏈接：https://www.zhihu.com/question/276504919/answer/387672638
個人評價:
我認爲本文提出方法不太具有泛化性，可能只使用於某一個結構相似的領域，比如在AD患者的腦部MRI圖像上，通過對於患者的腦部圖像做圖像迴歸，預測患者未來的並且變化，這可能是有意義的。但是就目前看來，本文的方法是有侷限性的，如本文在訓練的數據要求上，要5年內，相隔1年的數據來訓練，這些對於實際情況來說，是不符實的。
總的來說，關於圖像迴歸問題，本文提供了一個思路。我認爲可能通過基於多模態醫學影像的圖像迴歸是有一定的應用可能。
閱讀摘要：
本文是在深度學習背景下，提出LDDMM方法，利用基於時空序列的圖像來預測時間序列上缺失的圖像。
預測圖像迴歸網絡的結構如下：
一、LDDMM和動量產生
二、預測迴歸網絡
預測迴歸網絡中包括：
- CNN Image Encoder
- LSTM Vector Momentum Encoder
- CNN Vector Momentum Decoder
- Network Training and Prediction
三、圖像迴歸預測網絡的工作流程
四、實驗效果
