一 、An Unsupervised Learning Model forDeformable Medical Image Registration
1. 基本方法
这篇文章利用类似于U-NET网络结构,将Fixed Image 和 Moving Image concate然后输入到网络中。其网络输出的Size是和输入图像相等的。也就是上图中的Registration Field,对每一个Voxel预测一个偏移值。利用Registration Field对图像进行变换。这种方法会消耗大量的内存和时间资源。
2.损失函数
一般来说配准都有个相似性度量函数和一个正则化项。文章中采用的损失函数如下图所示:
CC是一个相似性度量函数,后面一部分就是个正则化项。
3.评价指标
文章中采用Dice系数这个指标来衡量配准效果,是一种集合相似度度量函数,通常用于计算两个样本的相似度。在文章中的表示如下:
二、Unsupervised 3D End-to-End Medical Image Registration with Volume Tweening Network
1.基本方法
文章中是采用一种级联递归的方式来进行配准,每个子网络(除第一个)是的输入是前一级网络的warped image 和 fixed image的concate 的输入。其中每一级子网络都做一个反向传播,来更新在其前面的所有子网络的参数。在文章中采用了两种子网络,一个是预测Rigistration Field ,一个是预测仿射变换参数,。如下图所示:
2.损失函数
对应于不同的子网络其所利用的损失函数不同。
在不同的子网络中所使用的的损失函数是不同的。其中Similarity 是Correlation Coefficient。如下图所示。
3.评价指标
三、Recursive Cascaded Networks for Unsupervised Medical Image Registration
1.基本方法
这篇文章是基于上面那篇文章,也是递归级联模式,不同的是这里的级联方式,上面那篇文章实在每一个子网络进行配准在计算损失,而这里是在最后的输出计算损失函数。不同于上篇有多个反向传播。
其中子网络可以选择第一篇或者第二篇的基本模块。
2.损失函数
子模块的损失函数与用到的子网络相对应。
3.评价指标
四、 CNN Driven Sparse Multi-Level B-spline Image Registration
1.基本方法
该篇文章是基于CNN减少B-Spline Control points的方法,可以减少配准过程中时间和空间消耗。
一般来说B-Spline是一种插值算法,那么基于图像中稀疏的点可以得到整张图的每一个pixel的偏移值。传统的Multi-Level B-Spline Image Registaration方法,有粗到细进行配准。但是通过对实验的分析发现大量的Control points最终系数是为0的,意味着选择control points个数很多需要优化。
那么作者就提出利用CNN对control points进行选择的算法。先是基于L1-norm对图像进行配准优化,得到最终的B-Spline
control points系数。将为0的成为lock,非0的成为free. 并作为数据集的标签。方法模型如下图所示:
每一个patch的标签是以其中心的control point相同的。先进行预处理,然后三种图片进行concate输入到CNN(网络结构下图)中,1.fixed 2.F-M 3.Optical flow 三种图片的同一位置。简单的一个softmax分类问题。最后训练好的网络,就可以对输入图片上每一个patch中心的control point 进行“free” or "lock"的预测,从而达到精确control points 的位置和数量的目的。
2.实验
上图的实验表明,作者的方法确实能够减少control points的数量。
下面是配准效果以及control points位置预测的准确性实验结果。
上图是损失随着迭代次数的进行的下降趋势,可以看出作者方法比L1-norm要快,切不会陷入局部最小值。