Deep Learning Based Registration文章阅读(十一)《A Coarse-to-fine Deformable Transformation Framework For U》

Deep Learning Based Registration文章阅读(十一)

本次文章是TMI的文章《A Coarse-to-fine Deformable Transformation Framework For Unsupervised Multi-contrast MR
Image Registration With Dual Consistency Constraint》。总体感觉方法的创新性不是很高，但是做的很规矩很完整。

Motivation

本文的motivation主要是说MR图像有很多序列，分为functional和structure序列，不同序列的图像contrast有很大差异，也就是模态不同，在诊断中需要将功能和结构信息融合，所以需要进行配准，属于多模态配准问题。

Framework

总体的框架都是现成的，主要亮点笔者的理解在于两点并且都是loss的设计，见Loss。

Loss

1、提出JL loss，即除了similarity（这里是MI）term之外对于图像background的配准结果计算MSE，抑制warped image中处于fixed image background区域中出现object。
2、提出bi-direction consistency loss，通过计算inverse flow field来增加deformable配准后的图像经过inverse flow field warped后的图像与输入deformable配准网络的图像（这里是仿射变换后的图像）的MSE。

Dataset

贵州省人民医院555个病人：466个有位置信息，可以在仿射变换前先对齐一下：每个人有T1，T2，FLAIR，ADC，and DWI。前三个是结构序列，后两个是功能序列。
实验一：466个有位置信息的实验——426train/40test
实验二：555个全用，没有位置信息的都在训练集
实验都是2D的，resize 224 * 224，归一化到[0，1]

Results

结果都是常规结果