「Deep Learning」Note on VoxelMorph

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。$x$和$y$分别表示，固定图像（目标图像）和移动图像（源图像），另外，$\varphi$表示配置场，那么优化问题可写作：$$\hat{\varphi }={\arg \min }_{\varphi }L(x,y,\varphi )={\arg \min }_{\varphi }{L}_{sim}(x,y\circ \varphi )+\lambda L_{smooth}(\varphi )$$，其中$y\circ \varphi$表示$y$被$\varphi$翘曲（warp），函数$L_{sim}衡量两输入的图像相似性$，函数$L_{smooth}$强加正则项，$\lambda$是前后两项的折中因子。$\varphi$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。$L_{sim}$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]