learn2reg-监督、弱监督和监督图像配准

https://learn2reg.github.io/

https://www.kaggle.com/adalca/learn2reg

https://github.com/learn2reg/tutorials2019

Supervised, weakly-supervised and supervised image registration

分类Taxonomy

• 监督学习 Supervised Learning
• 无监督学习 Unsupervised Learning
• 确定性方法 Deterministic Approach
• 生成方法 Generative Approach
• 非端到端的方法 Non-end-to-end Methods
• 端到端的方法 End-to-end Methods

非端到端的方法	端到端方法
学变换模型	相似度量的驱动
学习相似性度量	解剖标记的驱动
使用ground-truth替代（学习优化）

 

监督学习Supervised Learning

用于图像配准的监督学习Supervised Learning for Image Registration

需要ground-truth变换（相对）

• Ground-truth:模拟；评估；手动对齐
• Loss functions：差异的Sum/Mean L1/L2 范数；变换参数的差异；显式正则化，如DDF的梯度，弯曲能；变换模型中的隐含约束；对抗性损失，即转换之间的分歧

对应的“弱标签” “Weak Labels” of Correspondence

前列腺MR和超声图像的配准Registration of Prostate MR and Ultrasound Images

弱监督配准Weakly-Supervised Registration

基于相似度的无监督配准

推理inference

勾画图像配准

网络结构Network Architecture

DensNet

稠密连接的局部网络Densely-connected Local-Net

• 附加上采样
• 多节点预测：在不同分辨率等级上的位移叠加。

配准结果

基于模型的规则化

数据驱动条件分割Data-Driven Conditional Segmentation

偏微分分析A Bias-Variance Analysis

• 误差可以拆分为偏差和方差
• 规范化可能会对TRE（Target Registration Error配准误差目标）产生偏差
• 高偏差可能会限制适应性，以TRE（Target Registration Error目标配准误差）为代表
• 偏差不能通过增加数据来减少
• 重复交叉验证，引导采样数据集
• 共训练600个网络(约36,000 GPU -小时)

也许分析的时候以基准点作为mm误差的评定

prior or data