Rigistration小结

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。