Registration小结2

一、Nonrigid Image Registration Using Multi-scale 3D Convolutional Neural Networks

1.基本方法

首先人工生成DFV（位移矢量场），作为标签。训练CNN，CNN如上图所示。分别对fixed image 和 moving image取patch，输入到网络中。最终网络的输出就是一个DFV。这样训练好CNN，就可以对test image set进行DFV预测。然后利用DFV对图像进行配准。

2.损失函数

    

3.度量指标

对DFV的三个维度进行度量，即x,y,z 轴方向上数量的偏移。

二、Adversarial similarity network for evaluating image alignment in deep learning based registration

1、基本方法

生成器输入的是待配准的图像对的patch，输出的是局部形变场以及扭曲后的图像；判别器判别的就是扭曲后图像与参考图像。，该方法的思想就是用判别器来代替传统的相似性度量，根据作者的实验结果，该方法能提升一定的配准精度。（后面可以细看一下）

2.评价方式

The Dice Similarity Coefficient (DSC) 

三、End-to-End Unsupervised Deformable Image Registration with a Convolutional Neural Network

1.基本思想

将fixed image 和 moving image 分别取块。输入到CNN中，网络层最后是一个回归层。预测每个方向上的偏移值。这样每一块的对应于B-spline control points。整张图生成稀疏的control points，然后利用B-spline产生完整的DFV。利用DFV配准。在计算配准后的图像与fixed image的相似性度量。

2.损失函数

normalized cross correlation is employed.

3.评价指标

Dice、SD and MAD。