https://learn2reg.github.io/

https://www.kaggle.com/adalca/learn2reg

https://github.com/learn2reg/tutorials2019

Unsupervised Learning-based Registraion

配准registration

成对优化Pairwise optimization

图像匹配+平滑域

基于学习的方法Learning-based methods

• 监督supervised（）:是通过经典方法得到的‘ground truth’；扩展的数据（分割和标记）
• 无监督Unsupervised（）

网络结构

网络：输入是全卷（256x256x256x2）输出是（256x256x256x3）结构式FCNN,UNet等

损失函数：

• 监督
• 无监督;;

• 基于SGD技术
• 每一对图像对θ都有轻微的贡献
  经典的优化:为一个图像对轻微更新φ

平摊推理Amortized Inference

经典方法：特定对的优化 

基于学习的方法：无监督的网络训练

特定对的函数评价：

实验

使用VoxelMorph实施：训练数据7000卷，250验证，250测试；

基准：ANTs，Niftireg

训练时间

3D卷：在单GPU上需要1-2天；

2D图像/切片：几分钟到一个小时

运行时的一个新的三维图像对

解剖卷重叠anatomical volume overlap

训练中只使用图像，没有使用分割数据

通过卷重叠实现的准确性(Dice)

https://arxiv.org/abs/1809.05231

https://arxiv.org/abs/1903.03545

有限数据的训练

正则化分析

重建模板

https://arxiv.org/abs/1908.02738