【论文笔记】CIRNet:基于CycleGAN的无监督循环配准模型
本文是论文《UNSUPERVISED THREE-DIMENSIONAL IMAGE REGISTRATION USING A CYCLE CONVOLUTIONAL NEURAL NETWORK》的阅读笔记。
文章提出了一个无监督的循环图像配准网络CIRNet,它由两个配准模块组成,两者具有相同的结构,并且共享参数。此外加入了循环一致性损失来为确保预测形变场的精度而提供额外的约束。文章在4D(3D+t)心脏CT数据集和MRI数据集上分别做了实验,验证了模型的有效性。简单来说就是将CycleGAN引入到了VoxelMorph模型中。
一、配准问题介绍
有监督的配准方法容易收到有监督信息中存在的误差和错误的影响,基于patch的配准方法训练时更快,但不能充分利用全局信息。
配准问题可以简化为一个优化问题,即最小化以下能量函数PPP:
P=S(M(ϕ),F)+Reg(ϕ)P=S(M(\phi), F)+\operatorname{Reg}(\phi) P=S(M(ϕ),F)+Reg(ϕ)
其中,MMM和FFF分别表示浮动图像和固定图像,ϕ\phiϕ表示形变场,M(ϕ)M(\phi)M(ϕ)表示根据形变场变形后的浮动图像,函数S(x,y)S(x,y)S(x,y)表示两幅图像之间的不相似性,Reg(ϕ)Reg(\phi)Reg(ϕ)表示形变场的平滑正则化项。
二、网络结构
从下图可以看出,CIRNet由两个级联的配准模块R1,R2R_1,R_2R1,R2组成,两者具有相同的结构,并且共享参数,这样模型参数不会增加很多。
上图中,AAA和BBB分别表示浮动图像和固定图像,A(ϕ1)A(\phi_1)A(ϕ1)是根据形变场ϕ1\phi_1ϕ1变形后的浮动图像,A(ϕ1∘ϕ2)A(\phi_1\circ\phi_2)A(ϕ1∘ϕ2)是先根据ϕ1\phi_1ϕ1变形再根据ϕ2\phi_2ϕ2变形后的浮动图像,LcycL_{cyc}Lcyc是循环一致性损失。配准模块R1R_1R1是将浮动图像AAA配准到固定图像BBB,得并使得A(ϕ1)A(\phi_1)A(ϕ1)与BBB尽可能的像;配准模块R2R_2R2是将变形后的浮动图像A(ϕ1)A(\phi_1)A(ϕ1)配准到固定图像AAA,得并使得A(ϕ1∘ϕ2)A(\phi_1\circ\phi_2)A(ϕ1∘ϕ2)与AAA尽可能的像。
CIRNet是在VoxelMorph的基础上加以改进的,所以每个配准模块的结构和VoxelMorph相同,如下图。
三、损失函数
网络的损失有三个:LNCC、Lcyc、LregL_{NCC}、L_{cyc}、L_{reg}LNCC、Lcyc、Lreg。
归一化的互相关LNCCL_{NCC}LNCC,它用来衡量图像A(ϕ1)A(\phi_1)A(ϕ1)和图像BBB之间的相似性,它是通过大小为9×9×99\times9\times99×9×9的滑动窗口来计算的,当LNCCL_{NCC}LNCC接近于0时,说明两张图像不相关,反之接近于1时说明两张图像正相关。
循环一致性损失LcycL_{cyc}Lcyc可以让图像A(ϕ1∘ϕ2)A(\phi_1\circ\phi_2)A(ϕ1∘ϕ2)和图像AAA尽可能的相似。此外考虑到两幅图像还应该在灰度值分布上相同,所以在循环一致性损失中加入了L2L_2L2正则项。其表达式如下:
Lcyc(A(ϕ1∘ϕ2),A)=1N∑i∈Ω(A(ϕ1∘ϕ2)(i)−A(i))2L_{c y c}\left(A\left(\phi_{1} \circ \phi_{2}\right), A\right)=\frac{1}{N} \sum_{i \in \Omega}\left(A\left(\phi_{1} \circ \phi_{2}\right)(i)-A(i)\right)^{2} Lcyc(A(ϕ1∘ϕ2),A)=N1i∈Ω∑(A(ϕ1∘ϕ2)(i)−A(i))2
其中,NNN是体素的数量,Ω\OmegaΩ表示图像中的所有体素。
形变场的平滑正则项损失LregL_{reg}Lreg定义如下:
Lreg(ϕ)=∑i∈Ω∇ϕ(i)2L_{r e g}(\phi)=\sum_{i \in \Omega} \nabla \phi(i)^{2} Lreg(ϕ)=i∈Ω∑∇ϕ(i)2
综上,配准模块R1、R2R_1、R_2R1、R2的总损失为:
LR1(A,B)=−LNCC(A(ϕ1),B)+αLreg(ϕ1)+βLcyc(A(ϕ1∘ϕ2),A)LR2(A(ϕ1),A)=−LNCC(A(ϕ1∘ϕ2),A)+αLreg(ϕ2)+βLcyc(A(ϕ1∘ϕ2),A)\begin{aligned} L_{R 1}(A, B)=-& L_{N C C}\left(A\left(\phi_{1}\right), B\right) \\ &+\alpha L_{r e g}\left(\phi_{1}\right)+\beta L_{c y c}\left(A\left(\phi_{1} \circ \phi_{2}\right), A\right) \\ L_{R 2}\left(A\left(\phi_{1}\right), A\right) &=-L_{N C C}\left(A\left(\phi_{1} \circ \phi_{2}\right), A\right) \\ &+\alpha L_{r e g}\left(\phi_{2}\right)+\beta L_{c y c}\left(A\left(\phi_{1} \circ \phi_{2}\right), A\right) \end{aligned} LR1(A,B)=−LR2(A(ϕ1),A)LNCC(A(ϕ1),B)+αLreg(ϕ1)+βLcyc(A(ϕ1∘ϕ2),A)=−LNCC(A(ϕ1∘ϕ2),A)+αLreg(ϕ2)+βLcyc(A(ϕ1∘ϕ2),A)
其中α、β\alpha、\betaα、β是平衡因子。
四、实验
第一个数据集是ACDC数据集,是一个4D的心脏电影MRI数据集,第二个数据是心脏的CTA图像。训练时使用Adam作为优化器,学习率在前100个epoch为0.0001,没50个epoch线性减少。batch size在第一个数据集为8,第二个数据集为1。α=1,β=5\alpha=1,\beta=5α=1,β=5。使用的baseline是传统的B样条非刚性配准算法Elastix和基于学习的配准模型VoxelMorph,评价指标选用的是DSC(Dice相似性系数)。
下图是各个配准方法的对比结果。
下图是评价指标和运行时间的对比,可以发现CIRNet取得了最好的效果。
【论文笔记】CIRNet:基于CycleGAN的无监督循环配准模型相关推荐
- 【论文笔记】ICNet:用于无监督医学图像配准的逆一致性模型
本文是文章<Inverse-Consistent Deep Networks for Unsupervised Deformable Image Registration>的阅读笔记. 过 ...
- 【论文笔记】基于GAN的三维医学图像跨模态配准模型 Deform-GAN
本文是关于<DEFORM-GAN:AN UNSUPERVISED LEARNING MODEL FOR DEFORMABLE REGISTRATION>论文的阅读笔记. 一.简介 文章提出 ...
- ltp︱基于ltp的无监督信息抽取模块
ltp︱基于ltp的无监督信息抽取模块:https://zhuanlan.zhihu.com/p/44890664 无监督信息抽取较多都是使用哈工大的ltp作为底层框架.那么基于ltp其实有了非常多 ...
- BigBiGAN问世,“GAN父”都说酷的无监督表示学习模型有多优秀?
作者 | Jeff Donahue.Karen Simonyan 译者 | Lucy.一一 出品 | AI开发者大本营(ID:rgznai100) 众所周知,对抗训练生成模型(GAN)在图像生成领域获 ...
- 论文笔记:基于深度学习的遥感影像变化检测综述
论文主要信息 本篇博文主要是对该论文进行总结和翻译,如有错漏,欢迎指出.(目前仅对有监督学习部分进行了整理) 标题:Deep learning for change detection in remo ...
- 【论文精读】基于网络立体数据监督的单目相对深度感知
基于网络立体数据监督的单目相对深度感知 Paper Information Abstract 1 Introduction 2 Related Work 3 Proposed method 3.1 O ...
- ACL 2020 | 多跳问答的基于对齐的无监督迭代解释检索方法
©PaperWeekly 原创 · 作者|舒意恒 学校|南京大学硕士生 研究方向|知识图谱 论文标题:Unsupervised Alignment-based Iterative Evidence R ...
- 经典论文复现 | InfoGAN:一种无监督生成方法
过去几年发表于各大 AI 顶会论文提出的 400 多种算法中,公开算法代码的仅占 6%,其中三分之一的论文作者分享了测试数据,约 54% 的分享包含"伪代码".这是今年 AAAI ...
- ltp︱基于ltp的无监督信息抽取模块(事件抽取/评论观点抽取)
无监督信息抽取较多都是使用哈工大的ltp作为底层框架.那么基于ltp其实有了非常多的小伙伴进行了尝试,笔者私自将其归纳为: 事件抽取(三元组) 观点抽取 "语言云" 以哈工大社会计 ...
最新文章
- UA SIE545 优化理论基础3 Fritz-John与Kuhn-Tucker理论总结 带等式约束与不等式约束的极值问题
- CSS之box-shadow
- C++ edmond karp和ford fulkerson求最大流算法(附完整源码)
- 关于HTML加密混淆、源码保护、代码安全,防止解压直接看源码
- redis 三种特殊数据类型
- 计算机信息的编码教案,信息的编码教案信息的编码教案.doc
- 使用迁移学习和TensorFlow.js在浏览器中进行AI情感检测
- javascript下的数值型比较真的没有那么简单
- tensorflow2 目标检测_BJX 系列 小型远距离检测型光电传感器代理报价
- AFNetWorking 之 网络请求的基本知识
- 再解Java中的String
- Linux内核分析考试试题,linux内核分析第二周作业
- 今天第72个儿童节,程序猿“童”样精彩~
- 电脑桌面云便签如何导入导出便签内容数据?
- mysql的全文搜索功能
- 【方法实践】军工企业智能物流系统研究
- 为什么那么多的人选择到Java培训机构学习
- atoi()函数的实现
- 一分钟教你看懂蓝屏代码,轻松解决电脑蓝屏问题
- 关于timer.schedule只执行一次