学习笔记11月20日

DWD-net: Cascaded local and global deep learning network for brain MR registration

文章来源：EI会议
GitHub代码：https://github.com/1209684549/Paper
一、摘要
本文使用动态弱监督方法，可以动态学习不同的局部区域。设计了一个局部损失函数，提出了一种双弱监督深度学习配准网络(DWD-NET)。DWD-NET分为两部分：LNET和GNET；LNET将通过所提出的方法和损失函数动态地对齐难以对齐的局部区域。Gnet可以对齐整个图像的细节。
关键词：弱监督配准；深度学习；医学图像配准；损失函数。
二、实现过程
1、本文的主要贡献：
(1)设计了一个局部损失函数来实现动态监督和弱监督的方法，该方法可以约束训练在不同的局部区域。
(2)提出了一种双弱动态监督深度学习配准网络（DWD-net）。Lnet通过所提出的方法和损失函数动态地对齐不同的和难以对齐的局部区域。Gnet了解全球区域的内部细节。
在我们的实验中，Mr图像的脑脊液（脑脊液）、灰质（GM）和白质（WM）被对齐。一般来说，脑脊液和GM复杂的解剖结构难以对齐。这些区域是在注册期间特别学习的。与最先进的配准方法相比，DWD-net对全球区域和难以对齐的局部区域都实现了更高的精度和更好的效果。
2、方法
(1)动态的和弱监督的方法
弱监督配准方法基于无监督配准方法，通过计算扭曲分割图像与固定分割图像之间的相似性损失函数，对网络进行训练。常用的弱监督方法对Mr标签上所有区域的训练进行了平均约束。虽然它可以有效地提高配准精度，但它不适用于学习那些难以对齐的区域。在此基础上，提出了动态监督和弱监督方法。该方法对常用的弱监督方法进行了改进。该方法可以学习难以对齐的局部区域，而且由于不同区域结构的复杂性，学习比例也有所不同。
常见的弱监督方法：

我们的方法：
当R连接到第一分支时，学习了脑脊液区域的变形。当R连接到第二个分支时，训练GM区域的变形。当R连接到第nth个分支时，分别训练第nth个脑区的变形。在训练过程中，R根据先验知识动态地连接到一个分支。

(2)双弱动态监督深度学习配准网络
L-Net将动态地学习不同的复杂解剖结构难以对齐的区域。根据已知的经验，确定学习不同区域的比例。为了提高难对齐区域的配准精度，它们分别进行了训练。脑脊液、GM和WM在我们的实验中是一致的。一般来说，脑脊液和GM由于结构复杂，比WM更难对齐。因此，L-Net主要研究脑脊液和GM的对齐。

(3)损失函数(自行查看论文)
三、实验结果
(1)数据集采用公共成人大脑Mr数据集OASIS-1
(2)实施：DWD-NET是由keras编程的张量流后端，优化器使用一个学习器1e-4选择了ADAM。
(3)实验结果：

四、总结
在医学图像配准中，局部区域和复杂的解剖结构可能难以对齐。因此，我们提出了一种动态的弱监督方法和一种动态的局部损失函数。根据先验知识，它们可以动态地学习已知的和难以对齐的区域。结合上述方法与损失函数，提出了一种对偶弱动态监督深度学习配准网络。它由Lnet和Gnet组成。Lnet有效地提高了脑脊液和GM的精度。Gnet对齐了整个图像的细节，并提高了整体的精度。结果表明，该方法能显著提高配准精度，保持变形场的平滑性。该工作在医学图像配准中具有广阔的应用前景。