一、Motivation
1、不使用相似性度量函数,直接预测变换参数
2、提出的AirNet可以提取特征用于配准。
二、Method
论文的总体框架如下图所示:
AirNet的输入是参考图像和待配准的图像,输出就是预测变换参数。利用变换参数对待配准图像进行重采样,以获得warped image.
下图是Air-Net的网络结构图。类似于一个孪生网络。两个网络中的权重共享。网络的前一部分是一个Encoder,Encoder最后是一一个回归结构。Encoder的输出进行concatenation,在输入到回归层部分。
Encoder用于提取特征,从而更好的预测变换参数。
权重共享可以减少网络中的参数,以及防止过拟合现象的发生。
我们网络的另一个特性是2D和3D滤波器的混合物,旨在解决3D医学图像的各向异性,即输入图像的通道数与其高度和宽度相比要小得多。在Encoder前半部分滤波器是二维的。因此,特征在高度和宽度方向上的大小最终将与深度方向上的大小相似,此后将使用3D卷积和池化层。
Train
网络的损失是变换参数的偏差,在实际情况,这样的变换参数作为label我们是拿不到的。所以首先自己预先定义参数对图像进行变换。可以根据每个特定实验的目的来设置每种转换类型的范围。
上图是不同的训练集组成。模态如下:
1 三种模态图像都有,但是每一对都是同一种模态。
2 每一对都是一种模态,但是只有T2 和 T1wieghted。
3 对于每个患者,T2和T1加权图像已经对齐,因为它们都是通过一次扫描获取的,因此,我们构建了一个数据集,在每个图像对中都具有这两种不同的模态。
LOSS
三、Experiments
文章中用的两种度量指标