Predictive Image Regression for Longitudinal Studies with Missing Data
论文链接：https://arxiv.org/abs/1808.07553
他人评价：
实际上，LDDMM本身就可以理解为一个深度网络，而且是结构最优化的深度网络，基于geodesic shooting的方案实际上和deep learning的前向卷积+back propagation完全是一回事，所以是否需要再使用深度网络我是怀疑的。当然，如果可以通过训练来直接估计测地线，也许是个不错的方案，但我怀疑其通用性，可能只是针对某一类图像，比如都是去配准某一个人体解剖结构，如果是针对一般图像，可能训练结果不会好，结果也不不太会具备迁移特性。配准精度上，可能deep learning给出的结果只能是次优的，可能可以作为一个比较好的初始值来继续优化一下。
作者：信息门下走狗
链接：https://www.zhihu.com/question/276504919/answer/387672638
个人评价:
我认为本文提出方法不太具有泛化性，可能只使用于某一个结构相似的领域，比如在AD患者的脑部MRI图像上，通过对于患者的脑部图像做图像回归，预测患者未来的并且变化，这可能是有意义的。但是就目前看来，本文的方法是有局限性的，如本文在训练的数据要求上，要5年内，相隔1年的数据来训练，这些对于实际情况来说，是不符实的。
总的来说，关于图像回归问题，本文提供了一个思路。我认为可能通过基于多模态医学影像的图像回归是有一定的应用可能。
阅读摘要：
本文是在深度学习背景下，提出LDDMM方法，利用基于时空序列的图像来预测时间序列上缺失的图像。
预测图像回归网络的结构如下：
一、LDDMM和动量产生
二、预测回归网络
预测回归网络中包括：
- CNN Image Encoder
- LSTM Vector Momentum Encoder
- CNN Vector Momentum Decoder
- Network Training and Prediction
三、图像回归预测网络的工作流程
四、实验效果
