题目:Adversarial Similarity Network for Evaluating Image Alignment in Deep Learning Based Registration
时间:26 September 2018
这篇文章简单来说就是使用对抗思想,用生成器来学习变形场,用来预测形变场的配准,用判别器来衡量输入的一组图像对的相似性。评价标准使用的是 Dice Similarity Coefficient (DSC),在大量的数据集中进行了实验。
1、Introduction
传统的配准方法寻求基于强度相似度度量的光滑变形场预测。然而,这些方法常常涉及计算开销大的高维优化和任务相关的参数调优。
在无监督学习的方法中。不通过真实的变换,而是通过最大化一组图像的相似性来学习变形的转换。但是相似性度量在不同模态之间效果很局限。
三个主要贡献
1)相比传统方法,提出了一种鲁棒、快速的端到端配准网络,实现了一次配准变形的预测,不需要进行参数微调。
2)与监督学习配准方法相比,该网络不需要真正的变形。该网络以一种对抗和无监督的方式训练。
3)提出的对抗性相似度网络学习了一个有效训练配准网络的有意义的度量
2、方法
变形场Φ是从对象域S(subject image)到模板域T(template image)之间的映射。S•Φ和T要相似。Φ通过最小化一下能量函数进行确定
M (S•ΦT)量化了模板图像T与扭曲主体图像之间的差异
Reg(Φ)是正则化来保持变形场的平滑。
Fig. 1. The proposed adversarial similarity network for deformable image registration. The input image pair is already linearly aligned.
训练过程:
配准网络由生成器损失进行优化,学习得到从S到T之间的变形场。然后,从对象域S拿一个图像和学习的到的变形场输入到变形转化层,得到变形后的图像,形成一个图像对。然后拿着这个生成的图像对和事先对齐号的图像输入到判别器中,判别输入的图像对之间是不是相似。输出一个相似的概率。这个概率在指导生成器进行下一步的训练。
3、损失。
判别器损失。
positive case (P +) where the images are well registered,
negative case (P-) where the images are not well registered.
理性情况下正类是两个图像完全相似,但是折在真实情况下不能存在,因此我们在正类的图像对之间加入了一些扰动。。特别的对所有的图像对来说,T图像是不变的,扰动值加在原始的对象图像上。
生成器损失:
对抗损失:
平滑损失:
总损失:
实验结果:
评价:Dice Similarity Coefficient (DSC) of 54 brain ROIs
该算法在54个roi中有42个达到了最佳性能,其余12个roi的性能与其他深度学习配准算法相当。
表1中DSC的平均值也显示了该方法的最佳精度,这表明,所提出的对抗性相似度指导方法能够有效地在无监督的情况下训练出准确的配准网络。
网友评论