112210 20220510091957.0 TAZ-TFM-2022-024 eng Ramón Júlvez, Ubaldo LDDMM meets GANs: Generative Adversarial Networks for Diffeomorphic registration. LDDMM y GANs: Redes Generativas Antagónicas para Registro Difeomorfico. Zaragoza Universidad de Zaragoza 2022 by-nc-sa Creative Commons 3.0 http://creativecommons.org/licenses/by-nc-sa/3.0/ El Registro Difeomorfico de imágenes es un problema clave para muchas aplicaciones de la Anatomía Computacional. Tradicionalmente, el registro deformable de imagen ha sido formulado como un problema variacional, resoluble mediante costosos métodos de optimización numérica. En la última década, contribuciones en la forma de nuevos métodos basados en formulaciones tradicionales están decreciendo, mientras que más modelos basados en Aprendizaje profundo están siendo desarrollados para aprender registros deformables de imágenes. En este trabajo contribuimos a esta nueva corriente proponiendo un novedoso método LDDMM para registro difeomorfico de imágenes 3D, basado en redes generativas antagónicas. Combinamos las arquitecturas de generadores y discriminadores con mejores prestaciones en registro deformable con el paradigma LDDMM. Hemos implementado con éxito tres modelos para distintas parametrizaciones de difeomorfismos, los cuales demuestran resultados competitivos en comparación con métodos del estado del arte tanto tradicionales como basados en aprendizaje profundo.<br /> Máster Universitario en Robótica, Gráficos y Visión por Computador Derechos regulados por licencia Creative Commons Mayordomo Cámara, Elvira dir. Hernández Giménez, Mónica dir. Universidad de Zaragoza Informática e Ingeniería de Sistemas Lenguajes y Sistemas Informáticos 696497@unizar.es 3993370 http://zaguan.unizar.es/record/112210/files/TAZ-TFM-2022-024.pdf Memoria (eng) oai:zaguan.unizar.es:112210 driver trabajos-fin-master TAZ TFM EINA 20220128145920.CREATION_DATE deposita:2022-05-10