【论文阅读笔记】An Unsupervised Learning Model for Deformable Medical Image Registration

图像配准是图像处理研究领域中的一个典型问题和技术难点,其目的在于比较或融合针对同一对象在不同条件下获取的图像,例如图像会来自不同的采集设备,取自不同的时间,不同的拍摄视角等等,有时也需要用到针对不同对象的图像配准问题。具体地说,对于一组图像数据集中的两幅图像,通过寻找一种空间变换把一幅图像映射到另一幅图像,使得两图中对应于空间同一位置的点一一对应起来,从而达到信息融合的目的。

本文发表在2018上,作者使用CNN实现了非监督的医学图像配准,精确度与STOA持平,但由于非监督速度大幅提升。文章的贡献有三:

  • 提出了一种基于学习的解决方案,不需要在训练过程中获取诸如ground truth对应或解剖标志等信息;
  • 提出一个参数跨种群共享的CNN函数,通过函数评估实现配准;
  • 参数优化的方法可以使用各种代价函数,从而适应各种任务;

网络架构如图:

输入为160 × 192 × 224×1的两张单通道灰度图(movingfixed)叠加成160 × 192 × 224×2。通过CNN学习函数gCNN的输入即φ配准域,p是体素,φ(p)是图像中的具体位置,F(p)M(φ(p))确定了相似的解剖位置。

文章定义了空间转换函数,使用差值的形式将配准域转换为最终的配准图:

网络通过梯度下降进行优化,定义的损失函数是常规配准的能量函数上进行改进,常规的能量函数做代价函数如(1)(2),其中Lsim(·, ·)定义了原图和配准图的相似度,Lsmooth是为了配准图变换得更加平滑而增加的惩罚项。

本文的损失函数定义为:

其中CC为互相关函数:

 测试评价指标为常见的Dice Score:

文章中采用的CNN为类似Unet的结构:

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值