《An Unsupervised Learning Model for Deformable Medical Image Registration》

Abstract

    我们提出了一种基于快速学习的算法，用于可变形的成对3D医学图像配准。当前的配准方法针对每对图像独立地优化目标函数，这对于大数据而言可能是耗时的。我们将配准定义为参数函数，并根据感兴趣的集合给出一组图像来优化其参数。给定一对新的扫描图像，通过直接使用已经学习好了的参数的函数直接评估，我们能够快速计算配准区域。我们使用CNN对此函数进行建模，并使用空间变换图层从另一个图像重建一个图像，同时对配准区域施加平滑约束。所提出的方法不需要监督信息，例如Ground Truth或标记信息。我们证明了与最先进的3D图像配准相当的配准精度，同时在实践中操作速度更快。我们的方法有望显著加速医学图像分析和处理管道，同时促进基于学习的配准方法及其应用的新方向。

一 Introduction

    变形图像配准是各种医学成像研究中的基本任务，并且几十年来一直是积极研究的主题。在可变形配准中，在一对N维度图像体积之间建立密集的非线性对应关系，例如3D MR脑部扫描，描绘类似的结构。大多数配准方法解决了每个体积对的优化问题，使体素具有相似的外观，同时对配准映射实施强制平滑。解决这种优化是计算密集型的，因此在实践中非常慢。

    相比之下，我们提出了一种新的配准方法，该方法从体积集合中学习参数化的配准函数。我们使用卷积神经网络（CNN）实现该功能，该网络采用两个n-D输入体积并输出一个体积的所有体素到另一个体积的映射。使用来自感兴趣的数据集的训练集的体积对来优化网络的参数，即卷积核权重。通过为卷集合共享相同的参数，该过程学习一个公共表示，该表示可以对齐来自同一分布的任何新的卷对。从本质上讲，我们取代了传统配准返回给发的昂贵优化每个测试图像对的算法，在训练阶段具有一个全局函数优化。通过简单地评估给定体积上的学习函数来实现新测试扫描对之间的配准，从而实现快速配准。（主要是讲用CNN来代替传统方法的优化过程）

    创新点如下：

• 提出一个基于学习的配准方法，无监督。
• 提出带参数的CNN框架，配准能够在一次测试过程中完成。
• 我们的方法支持各种成本函数的参数优化，可以适应各种任务。

    在本文中，我们使用3D MR脑部扫描图像进行配准，然而，我们的方法广泛适用于医学成像领域内外的配准任务。我们在包含来自各种年龄组的健康和患病大脑图像的7,000多次扫描的多研究数据集上评估我们的方法。过去需要花费两个小时才能配准的扫描现在可以使用CPU在一到两分钟内完成配准，并在一秒钟内使用GPU配准。 这对于许多医学图像分析任务具有重要的实际意义。（强调速度快且可以应用在别的领域）

二 Background

    在典型的体积配准公式中，一个（移动或源）体积翘曲以与第二（固定或目标）体积对齐。可变形配准策略将用于全局对准的初始仿射变换与具有较高自由度的通常较慢的可变形变换分开。我们专注于后一步骤，其中我们计算所有体素的密集非线性对应关系。图1显示了取自3D MRI体积的样品2D冠状切片，其中概述了若干解剖结构的边界。由于健康状态的健康状态和自然解剖变异的差异，导致受试者之间存在显着的变异性。可变形配准可以比较扫描和种群分析中的结构。 这些分析对于了解人群中的变异性或患有疾病的个体的大脑解剖学随时间的演变是有用的。大多数现有的配准算法基于能量函数迭代地优化变换。 设F，M分别表示固定和运动图像，并且令