医学图像配准论文学习——用于医学图像逆一致微分同胚配准的对称金字塔网络(2023
本文链接:Symmetric pyramid network for medical image inverse consistent diffeomorphic registration - ScienceDirecthttps://www.sciencedirect.com/science/article/abs/pii/S0895611123000022
摘要
在过去的几年里,基于深度学习的图像配准方法在医学图像分析中取得了显著的性能。然而,许多现有方法在无法在保持最终变形场的理想的微分性质和逆一致性的同时,确保准确配准。为了解决这个问题,本文提出了一种用于医学图像逆一致微分同胚配准的新型对称金字塔网络。
tip:逆一致配准指正向配准结果的反变形场等于逆向配准结果,反向配准结果相同。
逆一致性不等于可逆性,并且微分同胚算法默认不是逆一致性。为了到达逆一致性,方法应该是对称的,并且加如逆一致损失 inverse consistent error,。逆一致性在分析细微解剖结构的变化中起着至关重要的作用。
一、介绍
我们提出了一种用于医学图像逆一致性微分同胚配准的对称金字塔网络。在我们的网络中,输入图像的多尺度信息首先分别编码到特征金字塔中。然后逐步进行特征级微分配准,实现从粗到细的对齐。功能级注册以对称方式实现。具体来说,我们使用共享权重子模块来估计向前和向后特征配准速度场。然后对双向速度场求平均值,以获得更可靠的估计。最后,通过对称多尺度相似性损失对网络进行训练。考虑到我们的网络是完全对称的,我们可以同时生成双向结果,结果与输入图像的顺序无关。为了验证我们提出的网络的性能,我们在多个数据集上实施了实验,包括成人脑MRI,青少年脑MRI和膝关节MRI。定性和定量结果表明,我们的网络实现了更精确的对齐,并保持了理想的微分同胚性质和逆一致性。
主要贡献:
我们提出了一种用于无监督医学图像配准的对称金字塔网络,旨在实现准确的对齐,同时保持所需的微分同胚特性和逆一致性。
我们将多尺度图像编码到特征金字塔,并以从粗到细的方式进行特征级微分配准。
我们通过对双向速度场求平均值对称地实现特征级配准,并引入对称多尺度相似性进行优化。
我们在三个公共数据集上进行了实验,我们的方法在多个指标上显示出其优于其他方法,证明了我们网络的有效性和通用性。
二、方法
1.概述——估计静止速度场(stationary velocity field)
在一般的DLIR方法,使用CNN直接估计位移场,再加上Id,就形成了变形场。这种方式是通用有效的,但临床价值不高(很难保证微分同胚性质,包括可逆性。)
这里的方式是估计静止速度场,变形场通过积分速度场得到,可表示为:
优化过程为;
分别表示未对齐的图像体积。
注:这里的速度场是什么概念还不太明白。
看懂了什么是速度场,但不太明白为什么要通过积分速度场来“间接”得到位移场。一般的配准网络都是直接输出位移场的吧?
ok这个问题问newbing解决了,参见医学图像配准 | Voxelmorph 微分同胚 | MICCAI2019 - 知乎 (zhihu.com)
简单来说就是这种操作的目的是为了保证变形场的微分同胚性。微分同胚性是指变形场在变形过程中保持连续且可逆。速度场可以通过积分得到位移场,而且这种方法可以保证位移场的微分同胚性。对于部分图片变化太大,所以可能不存在静态位移场,所以用速度场来计算位移场。这种方法可以通过李代数和群论进行推导
2.多尺度图像编码
对图像 ,采用共享权重编码器网络获取两组特征金字塔。编码器德每一层金字塔都由两个三维卷积层组成,进行步幅为2的下采样(除了最后一层。激活函数使用LeakyReLU。为了弥补下采样过程中缺乏详细信息的不足,我们还通过额外的卷积层将从下采样图像中提取的特征连接起来。。编码过程为
C表示第i层金字塔,(包含两个操作:两层卷积御用于提取特征,一个附加卷积用于cancat)。I表示下采样得到的图像。见图:
以从粗到细的方式从底层到顶层逐步进行要素级配准。随着特征中详细解剖信息的丰富,网络逐渐实现更准确的配准。
3.对称特征配准
3.1特征变形
基于图像金字塔的方法通常使用先前尺度的配准结果作为当前尺度的初始化。 具体地,利用前一阶段估计的变形场对当前阶段的运动图像进行扭曲,以减小图像空间中的对应距离。遵循这个想法,我们使用特征扭曲操作来减少特征空间中的匹配距离。
在第i层,先对之前的变形场做上采样,使用系数为2的三线性插值法
之后分别对正向和反向过程中翘曲相应的特征。整个过程:
Fwa表示相应过程中的翘曲特征。
3.2双向速度场估计
在特征扭曲操作之后,我们使用速度场估计器为前向和反向配准生成临时速度场(temporary velocity fields)。估计器由三个卷积层组成。前两层用于进一步的特征提取,最后一层采用未激活得到临时速度场。前两层提取的特征图也进行上采样,作为下一级估计器的输入,以增加全局信息。因此,第i层的估计器的输入包含翘曲过的特征、相应的金字塔特征、上采样全局特征和上采样变形场。这些输入被连接并馈送到估计器。双向估计过程可以写成:
Est表示第i层的速度场估计器,Ffg表示从上一级别上采样的前向和后向全局特征。
3.3双向速度场平均
先前的研究在理论上表明,微分同胚系统的解是唯一且可微分的。在绝对理想配准下,双向静止速度场应该是对立的。在得到双向临时速度场后,求平均得到更鲁棒的估计。(???我不理解,这段的意思是不是指将之前的“临时”双向速度场求平均,使得Vab=-Vba,强行满足对立的条件)
最终第i层的速度场为:
3.4集成
在得到每层的平均速度后,通过积分速度场可以得到变形场。这里的推理需要李代数的知识(这个方法是2019年的,同见上面的知乎博客)
3.5对称多尺度的相似性
从下到上进行对称配准后,得到了两组变形场金字塔(共有四层)。然后采用对称多尺度相似性测度对变形场进行约束。相似性度量是使用归一化互相关 (NCC) 实现的。再加入正则化保证平滑。
总体损失为:
注意到下采样图像中缺乏详细信息,所以为较高级别分配了较低的权重。
医学图像配准论文学习——用于医学图像逆一致微分同胚配准的对称金字塔网络(2023相关推荐
- 论文学习 | 用于三维条纹图案轮廓快速测量的质量引导泛洪相位展开算法
<用于三维条纹图案轮廓快速测量的质量引导泛洪相位展开算法> 英文原文:Joe, Chicharo F . Fast Quality-guided flood-fill phase unwr ...
- sar偏移量追踪技术_论文推荐 | 吴文豪:基于几何配准的多模式SAR影像配准及其误差分析...
<测绘学报> 构建与学术的桥梁 拉近与权威的距离 基于几何配准的多模式SAR影像配准及其误差分析 吴文豪1, 张磊2, 李陶3, 龙四春1, 段梦4, 周志伟5, 祝传广1, 蒋廷臣61. ...
- 多模态医学图像配准——cocycleReg论文学习(2022)
论文地址:CoCycleReg: Collaborative cycle-consistency method for multi-modal medical image registration 多 ...
- 深度学习在医学图像配准中的应用
根据模型,策略函数,以及流行度分为7类 Deep similarity-based methods 传统的基于像素的图像度量方法对于图像对具有相似分布的情况是work很好的. 但是图像质量本身不好,比 ...
- 医学图像配准综述学习
医学图像配准综述学习 目前针对医学图像配准的综述较少,笔者只找到了两篇: 一篇发表在<Machine Vision and Applications>-- Deep Learning in ...
- 文献阅读经验--以基于深度学习的医学图像配准为例
目录 正文 前言 一.应该阅读什么样的论文 二.为什么要阅读论文 三.怎样阅读论文(以期刊和会议论文为准) 总结 正文 前言 大家好,我是一名研一的学生,我的研究方向是基于深度学习的医学图像配准(全脑 ...
- 基于深度学习的医学图像配准学习笔记2
从SIFT到深度学习 我们首先介绍基于OpenCV的方法,然后介绍深度学习的方法. 图像配准就是找到一幅图像像素到另一幅图像像素间的空间映射关系.这些图像可以是不同时间(多时间配准),不同传感器在不同 ...
- 基于深度学习的医学图像配准综述
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 转载自:https://blog.csdn.net/weixin_ ...
- 用于深度学习的医学图像预处理
用于深度学习的医学图像数据,往往非常庞大,如果从网上下载公开数据集数据,往往有几十GB的图象数据,我们需要先进行预处理,将其转换成适合深度学习网络训练的形式: 变为 或者我们还 ...
最新文章
- Docker官方文档翻译2
- Altium Designer隐藏或显示元件名字
- 计算机在音乐教学的应用论文开题报告,音乐教育论文开题报告(范文详解)
- /dev/tcp 的简单应用
- 茅台防伪溯源服务器临时维护,如何使用茅台防伪溯源系统?能辨别茅台酒真假?...
- docker中centos遇到sudo: command not found
- netcore quartz job用不了services_.NetCore开源集成框架
- css固定定位与绝对定位的区别
- Airbnb如何简化1000多位工程师的Kubernetes工作流程?
- Android存储(1)-- 你还在乱用Android存储嘛!!!
- 拓端tecdat|R语言线性分类判别LDA和二次分类判别QDA实例
- Route@简单应用
- windows php redis扩展安装,怎么在Windows下安装PHP的Redis扩展服务
- 计算机辅助翻译 火云译客,中文在线翻译韩语
- 网站压测工具Apache-ab,webbench,Apache-Jemeter
- Saleh-Valenzuela 毫米波信道模型
- HBase:HBase的rowKey设计技巧
- nvdia显卡驱动安装失败终极解决方案
- 颜色空间:RGB,CMY,HSV,HSL,Lab详解
- OpenGL_10 3D空间中移动图像