https://www.kaggle.com/adalca/learn2reg
https://github.com/learn2reg/tutorials2019
Supervised, weakly-supervised and supervised image registration
分类Taxonomy
- 监督学习 Supervised Learning
- 无监督学习 Unsupervised Learning
- 确定性方法 Deterministic Approach
- 生成方法 Generative Approach
- 非端到端的方法 Non-end-to-end Methods
- 端到端的方法 End-to-end Methods
非端到端的方法 | 端到端方法 |
学变换模型 | 相似度量的驱动 |
学习相似性度量 | 解剖标记的驱动 |
使用ground-truth替代(学习优化) |
监督学习Supervised Learning
用于图像配准的监督学习Supervised Learning for Image Registration
需要ground-truth变换(相对)
- Ground-truth:模拟;评估;手动对齐
- Loss functions:差异的Sum/Mean L1/L2 范数;变换参数的差异;显式正则化,如DDF的梯度,弯曲能;变换模型中的隐含约束;对抗性损失,即转换之间的分歧
对应的“弱标签” “Weak Labels” of Correspondence
前列腺MR和超声图像的配准Registration of Prostate MR and Ultrasound Images
弱监督配准Weakly-Supervised Registration
基于相似度的无监督配准
推理inference
勾画图像配准
网络结构Network Architecture
DensNet
稠密连接的局部网络Densely-connected Local-Net
- 附加上采样
- 多节点预测:在不同分辨率等级上的位移叠加。
配准结果
基于模型的规则化
数据驱动条件分割Data-Driven Conditional Segmentation
偏微分分析A Bias-Variance Analysis
- 误差可以拆分为偏差和方差
- 规范化可能会对TRE(Target Registration Error配准误差目标)产生偏差
- 高偏差可能会限制适应性,以TRE(Target Registration Error目标配准误差)为代表
- 偏差不能通过增加数据来减少
- 重复交叉验证,引导采样数据集
- 共训练600个网络(约36,000 GPU -小时)
也许分析的时候以基准点作为mm误差的评定