论文：Adversarial Image Registration with Application for MR and TRUS Image Fusion
用于MR和TRUS图像融合的对抗性图像配准（不知道题目翻译的对不对，渣渣英语）
采用生成对抗网络AIR-net（adversarial image registration）进行多模态的图像配准，
不仅可以得到一个图像配准网络，而且可以得到一个度量网络来帮助评价图像配准的质量。
Fig. 1: Overall structure of the proposed AIR-net registration framework.
G直接
G直接估计输入图像对之间的转换参数，然后图像的重采样器要么使用预测的转换（ estimated transformation T_est）或者实际的转换（the ground truth transformation T_gt）来对输入的移动图像进行采样得到新的重采样的移动图像。
D用转换T_est 或T_gt来判断输入的图像对是不是对齐。
实验的处理：
I_f fixed image MR image
I_m moving image TRUS image
由于G和D网络采用具有较强的图像特征提取能力和紧凑的表示能力的CNNs进行网络设计。
将每个三维体视为多通道二维图像
CNN用来比较图像相似性
采用了Arjovsky[12]等人改进的Wasserstein GAN (WGAN)。
利用Jaderberg[14]等人提出的空间变换网络技术，实现了在两个网络之间进行重采样的网络端到端训练。
为了使网络快速收敛以产生良好的图像配准，还利用摄动变换计算部分损失，使网络能够识别较差的配准。
初次配准时对真实的图像进行可以随机扰动作为初始变换，然后对每个数据样例采用相同的变换，然后在初始配准时计算目标配准误差(TRE)和鉴别器评分(D-Scores)。将初始对齐不良的图像对输入g网络进行配准，生成一组新的转换参数。然后使用新的配准结果对TRUS卷进行重新采样，并与MR放在一起形成一对新的数据对。将计算新配准的TRE值，并将新对输入到d网络中进行评分。
损失
loss
评价指标
分别使用D-network给出的TRE和d - score进行评价。
实验结果
图2:3种不同病例的配准结果。MR图像以灰度显示，相应的TRUS图像以伪彩色叠加。从左到右的列如下。左:配准前随机生成变换对齐的图像;中间:配准后使用生成的变换对图像进行对齐;右:图像对齐使用专家手动执行的注册，这被认为是地面真相。每对对齐的图像的识别器得分在图像的右下角以黄色显示
疑问
G的损失中估计的转换和随机生成的转换之间的欧氏距离有什么关系。
感觉就是把GAN用在这里没有做多大的改进呀。
网友评论