learn2reg-基于学习的无监督配准
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