Sina Weibo:小锋子Shawn
Tencent E-mail:403568338@qq.com
http://blog.csdn.net/dgyuanshaofeng/article/details/80636276
因为VoxelMorph[1]出了TMI期刊版本论文[2],所以本文以期刊版本去阅读。
0 摘要
特点:快速、无监督、学习。
1 介绍
形变配准,是希望获得一个密集、非线性对应关系(correspondence)。提出和评估两种目标函数,其一为输入体积对(pair),像传统方法一样,学习有着相似外观的体素之际的映射/配准场;其二为使用到解剖分割。配准时间为1分钟(CPU+GPU),传统方法时间为2小时(CPU)。
2 背景
形变配准策略涉及两步:其一为初始仿射变换,用以全局对齐;其二为非常慢的形变变换,其具有更多的自由度。文章着眼于加速耗时的第二步。 x x x和 y y y分别表示,固定图像(目标图像)和移动图像(源图像),另外, ϕ \phi ϕ表示配置场,那么优化问题可写作: ϕ ^ = arg min ϕ L ( x , y , ϕ ) = arg min ϕ L s i m ( x , y ∘ ϕ ) + λ L s m o o t h ( ϕ ) \hat{\phi}={\arg \min} _{\phi}L(x,y,\phi)={\arg \min}_{\phi}L_{sim}(x,y\circ\phi)+\lambda L_{smooth}(\phi) ϕ^=argminϕL(x,y,ϕ)=argminϕLsim(x,y∘ϕ)+λLsmooth(ϕ),其中 y ∘ ϕ y\circ\phi y∘ϕ表示 y y y被 ϕ \phi ϕ翘曲(warp),函数 L s i m 衡 量 两 输 入 的 图 像 相 似 性 L_{sim}衡量两输入的图像相似性 Lsim衡量两输入的图像相似性,函数 L s m o o t h L_{smooth} Lsmooth强加正则项, λ \lambda λ是前后两项的折中因子。 ϕ \phi ϕ可以是移位向量场,也可以是速度场的积分,后者保持topology结构和维持可逆性invertibility。 L s i m L_{sim} Lsim可以是灰度值MSE,互信息ML和互相关CC。文章使用神经网络以参数函数逼近上述移位/位移向量场,另外,作者说了也可以逼近速度场的积分。
3 相关工作
略
4 方法
[1] An Unsupervised Learning Model for Deformable Medical Image Registration CVPR 2018 [CVPR paper] [code]
[2] VoxelMorph: A Learning Framework for Deformable Medical Image Registration [IEEE TMI paper]