2020-12-3周报

一、实验

    1.

    训练两个Decoder，共享一个Encoder。其中配准的Decoder网络的损失由两部分组成一个是regulation loss 和 similarity loss。第二个Decoder用的是similarity loss。其中similarity loss可以有很多，比如NCC，MSE等。我采用的是级联递归网络那文章中的代码采用的。其中用NCC和MSE的实验还在跑，因为是3D图像，所以速度很慢。而且还两次都莫名其妙被kill 过两次。下面是四个数据集跑出来的结果。相比于单个级联网络（也就是直接用一个Voxelmorph基本网络训练出来的）效果差，单看Dice score（括号内的为标准差）这个指标。其中Lm dist这个指标因为我一旦把这段代码加上去，程序就报错，所以没有测试，暂时没有弄清楚哪里出了问题。

效果差可能有几个原因：一是：在输入到配准的Decoder中的图像是经过Encoder重采样的。二是：因为加入了两个Decoder训练。三是：我的batchsize设置的过小，因为一旦设置过了，显存不够。

那么我要验证，简单的用我的代码训练一个配准的Decoder来测试。

SLIVER
Summary
Dice score: 0.7550454139709473 (0.0498911589384079)
Jacc score: 0.60904461145401 (0.06397645175457001)
Jacobian determinant: 0.003875268157571554 (0.0002170249936170876)

lits
Summary
Dice score: 0.7152559161186218 (0.06931351125240326)
Jacc score: 0.5611598491668701 (0.08233530074357986)
Jacobian determinant: 0.003050340572372079 (0.00033610782702453434)

lspig
Summary
Dice score: 0.5597854852676392 (0.09939121454954147)
Jacc score: 0.39531680941581726 (0.0965787023305893)
Jacobian determinant: 0.0034879962913691998 (0.00022927566897124052)

brain（LPBA）
Summary
Dice score: 0.7241296768188477 (0.06647055596113205)
Jacc score: 0.5717523694038391 (0.08066275715827942)
Jacobian determinant: 0.001584251644089818 (3.826112151728012e-05)

    2.图像融合

    因为我采用的级联递归那个数据集，它自己处理好的。所以大小是128*128*128。我把它从z轴分割，这是扩大的效果。128大小完全看不出什么。我需要找别的数据集，来进行配准测试和融合的质量评估。