Adversarial Image Registration with Application for MR and TRUS Image Fusion

一、Motivation

1 磁共振（MR）和经直肠超声（TRUS）图像配准是MR-TRUS融合的关键组成部分。

2.由于图像外观之间的巨大差异以及图像对应关系的较大差异。

3 提出了对抗图像配准（AIR）框架。 通过同时训练两个深度神经网络，一个是生成器，另一个是判别器。

4 而且还有一个度量网络，可以帮助评估图像配准的质量。

5 但是，多模式图像配准是一项非常艰巨的任务，因为很难定义鲁棒的图像相似性度量。

6 由于超声图像的嘈杂外观以及MR和TRUS之间的成像分辨率不均匀，因此MR和TRUS的配准更加困难。

二、Contribution

我们提出了一种基于生成对抗网络（GAN）框架[9]并同时训练了CNN的多模态图像配准方法，用于变换参数估计和配准质量评估.

提出的AIR-net不仅可以通过G网络的有效前馈直接估计转换参数，而且可以评估D网络估计的配准质量。

AIR-net以端到端的方式进行训练，训练完成后，G和D都将可用。 

三、Method

该框架包含两个部分：1)registration generator 2)registration discriminator

配准生成器用于直接估计变换参数。

图像重采样器然后使用估计的变换参数Test或ground truth变换Tgt对moving imag