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。