学习笔记11月19日

Label-Driven Brain Deformable Registration Using Structural Similarity and Nonoverlap Constraints

文章来源：2020年MICCAI会议
一、摘要
采用弱监督配准方案（弱监督训练的时候没有标签），该方案是由全局分割标签和局部分割标签通过两个特殊的损失函数驱动的。具体来说，使用多尺度双Dice相似度来最大限度地增加相同标签的重叠，并最小化不同标签区域的重叠。进一步利用结构相似损失函数提高小结构的配准性能，从而提高整个图像的配准精度。主要解决的问题是：
（1）由于致密变形场太模糊，小的复杂形态结构很少对齐。
（2）脑脊液大多数位于灰质组织外的狭窄区域，因此脑脊液的区域很少对齐。
关键词：MR brain images；Deformable registration；Label-driven learning；Structural similarity。
二、实现过程
1、介绍
为了缓解本工作中的上述两个问题，我们对脑Mr图像应用了一种基于弱监督补丁的配准方案，即使用全局标签和具有多尺度双骰子相似度和结构相似度的局部标签（LRGL-DDS）的标签驱动配准方案。
1)采用双Dice相似性来最大限度地增加相同的组织重叠，并最小化不重叠的区域。这种相似性可以看作是限制组织变形在合理范围内的一种约束力。
2)小结构组织通过在训练过程中加入的结构相似性损失函数进行对齐，这也有助于提高全局区域的配准性能。将分割标签的双Dice相似度和结构相似度结合起来，以粗到细的方式对齐图像。
3)我们使用一个路径选择器来加速局部标签的训练过程。只有当局部标签在采样的补丁中有足够的voxels时，它们才会连接到网络来指导训练过程。

2、方法
(1)可变形配准框架如下图：

总损失函数=正则化损失+标签差异损失+结构差异损失
(2)可变形的配准网络
使用的U-NET的网络，由一个具有跳过连接的编码器和解码器组成。在编码器中，使用四个RES-NET块，每个块随后是一个下采样的最大池化层，来捕获图像的层次特征。每个ResNet块由一个3×3×3卷积、批标准化（BN）和整流线性单元（ReLU）层组成。编码器和解码器之间的中间卷积块在两个输入补丁之间的粗变形表示上操作。

(3)致密变形场的比较
三、实验结果
数据集采用OASIS-1公共脑图像数据集

四、结论
在这项工作中，我们使用双Dice相似度来提高大脑Mr图像在狭窄区域的配准性能，并利用结构相似度来进一步提高在小细节组织区域的配准精度。这两种特殊的损失函数可以减轻最外层脑脊液区域的单力问题和小结构配准问题。利用全损失函数来训练U-NET式配准网络的参数。路径选择器用于加速局部标签的训练过程。实验结果表明，我们的LRGL-DDS配准方法不仅对全局GM和WM组织，而且对全局脑脊液都有很好的配准性能。与基线LRG方法相比，三种LRGL方法的局部组织配准精度也有所提高。未来将研究更多的变形约束和实验，如减少负雅可比行列式。