【论文精读】 使用空间梯度和噪声分割标签(伪标签)的深度学习配准
Deep learning based registration using spatial gradients and noisy segmentation labels
Théo Estienne, et al. “Deep Learning-Based Registration Using Spatial Gradients and Noisy Segmentation Labels.” MICCAI 2020
Abstract
Image registration is one of the most challenging problems in medical image analysis. In the recent years, deep learning based approaches became quite popular, providing fast and performing registration strategies. In this short paper, we summarise our work presented on Learn2Reg challenge 2020. The main contributions of our work rely on (i) a symmetric formulation, predicting the transformations from source to target and from target to source simultaneously, enforcing the trained representations to be similar and (ii) integration of variety of publicly available datasets used both for pretraining and for augmenting segmentation labels. Our method reports a mean dice of 0.64 for task 3 and 0.85 for task 4 on the test sets, taking third place on the challenge.
code
- https://github.com/TheoEst/abdominal_registration
- https://github.com/TheoEst/hippocampus_registration
配准
医学图像配准已经被研究很久了,这个问题依赖于找到一个合适的变形场来扭曲一个图像到另一个图像上,使它们结构上的相同部位尽可能重叠。即,给定一个浮动图像(moving image)IMI_MIM 和一张固定图像(fixed image)IFI_FIF。预测一个位移场(displacement field)uuu,进而得到变形场(deformation field)Φ\PhiΦ,即从浮动图像到固定图像的映射,使得配准后的浮动图像(warped image)IW=IM∘ΦI_W = I_M ∘ \PhiIW=IM∘Φ 和固定图像尽可能相似。其中像素位置的变换可以表示为 Φ(x)=x+u(x)\Phi(x)=x+u(x)Φ(x)=x+u(x)。浮动图像又称源图像(source image),固定图像又称参考图像(reference image)、模板图像(template image),变形场又称流场(flow field)、配准场(registration field)、转换(transformation)1。
介绍
随着深度学习的发展,许多基于深度学习的配准方法变得非常流行,提供了非常有效和先进的性能。尽管深度学习在图像配准领域已经做了很多工作,仍然有很多挑战需要解决。为了应对这些挑战,并为基于学习和传统方法的基准测试提供通用数据集,组织了 Learn2Reg 挑战。
主办方提出了四个 Tasks,各有不同的器官和模态。在这项工作中,我们集中在患者间( inter-patient)2 的两个配准任务:
- 腹部 CT(Task 03):这项任务的目的是在病人间配准腹部 CT 扫描。
- 海马体 MRI 配准(Task 04):这项任务是将海马体的头部和身体对齐,以便患者间的比较。
在这项工作中,我们的深度神经网络学习如何以类似于3 4 的方式获得空间梯度(spatial gradients ∇Φ\nabla \Phi∇Φ),而不是直接输出变形场(deformation field Φ\PhiΦ)。
为了对变形部分进行建模,一种简单而直接的方法是为每个输出体素生成采样坐标,我们可以让网络直接计算这些采样点。然而,这样的选择需要网络生成具有值范围更大的特征图,这会使训练复杂化。此外,如果没有适当的正则化,可能会产生不平滑甚至不连续的变形。为了规避这个问题,我们采用5 提出的方法并预测变形沿每个维度的空间梯度 Φ 而不是变形场本身。空间梯度 Φ 测量连续像素的位移,通过强制这些位移具有正值并随后沿每个维度应用积分操作,可以检索空间采样坐标。
这项工作的主要贡献在于:
- 使用相同的网络来预测两个变形场:ΦM→F\Phi_{M→F}ΦM→F 和 ΦF→M\Phi_{F→M}ΦF→M,由于使用了相同的编码器,这隐式地表现了其对称性(symmetric);
- 充分利用公开可用的数据集在训练期间加入来自不同器官的噪声标签(伪标签)。
方法
我们的方法是基于这篇文章:Deep Learning-Based Concurrent Brain Registration and Tumor Segmentation, 2020 年 5 月,我们发表在 4 区期刊《Frontiers in Computational Neuroscience》上。
这是我对该文章的精读笔记:【论文精读】DL-Based 脑部医学图像双任务:联合配准和肿瘤分割
我们使用 3D Unet 作为 backbone,有 3 类损失函数:
- Reconstruction loss(均方差 MSE Loss 或局部互相关 Local-CC Loss)
- Segmentation loss(变形后的分割标签和 ground truth 分割标签之间的 Dice Loss)
- Regularisation loss(保证变形场的平滑)
编码器(E)
网络的 backbone 是 3D-UNet,编码器部分(E)有四个 blocks,通道数分别为 64,128,256,和 512。每个 block 由一个 norm 层、Leaky-ReLU激活层、内核大小为 3 × 3 × 3 的 3D 卷积以及大D小为 2 的 stride 组成,以降低空间分辨率。每个固定、浮动图像独立地通过网络的编码器部分。
解码器(D)
在通过解码器部分(D)之前使用减法运算融合浮动图像和固定图像的编码。(论文中没讲,merge 这步操作只在配准解码器前进行,分割解码器不需要 merge,因为浮动图像和固定图像是分别分割)
解码器预测的是空间梯度(spatial gradients)∇Φ\nabla \Phi∇Φ,并计算对应的变形场(deformation field)Φ\PhiΦ。我们用累积求和运算近似积分来从其空间梯度 ∇Φ\nabla \Phi∇Φ 获得变形场 Φ\PhiΦ。然后使用 Φ\PhiΦ 来变形浮动(固定)图像及其分割出来的伪标签(ground truth):Mwarp =W(M,ΦM→F)M^{\text {warp }}=\mathcal{W}\left(M, \Phi_{M \rightarrow F}\right)Mwarp =W(M,ΦM→F)。最后,我们应用深度监督以类似于 6 的方式训练我们的网络。
深度监督(Deep supervision):利用多尺度估计和归一化损失函数提高配准性能。说人话就是使用多个不同的损失函数来训练。说真的计算机论文怎么这么爱炒概念,这不得不说也是严重内卷的一种现象。
【论文精读】 使用空间梯度和噪声分割标签(伪标签)的深度学习配准相关推荐
- 语义分割:基于openCV和深度学习(二)
语义分割:基于openCV和深度学习(二) Semantic segmentation in images with OpenCV 开始吧-打开segment.py归档并插入以下代码: Semanti ...
- 语义分割:基于openCV和深度学习(一)
语义分割:基于openCV和深度学习(一) Semantic segmentation with OpenCV and deep learning 介绍如何使用OpenCV.深度学习和ENet架构执行 ...
- 【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 ...
- 深度学习经典论文deep learning!入门必读!:deep learning yann lecun 深度学习
深度学习 YannLeCun, Yoshua Bengio & Geoffrey Hinton 深度学习能够让多层处理层组成的计算模型学习多级抽象的数据的表达.这些方法极大地提高了语音识别,视 ...
- 基于噪声伪标签和对抗学习的医学图像分割标注高效学习
目录 背景: 面临问题: 解决方案: 一 没有图像标注对的学习 二 为训练图像生成伪标签 2.1 为训练图像生成伪标签 2.2 VAE-Based鉴别器 2.3 鉴别器引导的发生器信道校准 这里有 ...
- 语义分割源代码_综述 | 基于深度学习的实时语义分割方法:全面调研
34页综述,共计119篇参考文献.本文对图像分割中的最新深度学习体系结构进行了全面分析,更重要的是,它提供了广泛的技术列表以实现快速推理和计算效率. A Survey on Deep Learning ...
- 论文阅读:Natural Language Processing Advancements By Deep Learning: A Survey 深度学习在自然语言处理中的进展
Natural Language Processing Advancements By Deep Learning: A Survey 深度学习在自然语言处理中的进展 目录 Natural Langu ...
- 基于PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化
我国高分辨率对地观测系统重大专项已全面启动,高空间.高光谱.高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成,将成为保障国家安全的基础性和战略性资源.未来10年全球每天获取的观测 ...
- PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化
我国高分辨率对地观测系统重大专项已全面启动,高空间.高光谱.高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成,将成为保障国家安全的基础性和战略性资源.未来10年全球每天获取的观测 ...
最新文章
- 通过ArcCatalog连接ArcGIS Server的种种问题
- sql 日期概念理解中的一些测试
- 小学生python入门-小学生Python入门基础知识有哪些
- 嵌入式程序员面试时应该知道的16个问题
- vue深究第一弹:computed与watch的异同
- HDU - 2196 Computer(树形dp)
- 题意解读+详细题解-Leecode 319. 灯泡开关——Leecode每日一题系列
- 一款非常好看的雷姆背景的时间单页(附雷姆图片)
- C#中is vs as 1
- Ember.js 入门指南——路由重定向
- 熔接机使用方法_熔接机社区版,欧盟委员会开源审核以及更多新闻
- deldir | 生成泰森多边形的一段R语言代码
- erlang注意(经典)
- Spring如何配置bean属性
- 8-06. 畅通project之局部最小花费问题(35)(最小生成树_Prim)(ZJU_PAT)
- 转: Eclipse自动提示功能
- office, pdf, cad 等在线预览
- CPU、内存、硬盘、显卡、显示器之间的关系
- PlantSimulation 基本事件控制
- RSD处理高分5号高光谱(GF5 AHSI)数据(二)——波段编辑复制和删除
热门文章
- 语义分割:基于openCV和深度学习(二)