題目 ：使用GAN實現(xiàn)可變形醫(yī)學圖像配準
傳統(tǒng)的深度學習配準方法都采用迭代方法，作者采用GAN實現(xiàn)了一種端到端的多模態(tài)圖像配準方法，消除了傳統(tǒng)方法耗時的迭代直接生成有變形場的配準圖像。
前人工作：
Sokooti et. al.[6]提出RegNet，它使用經(jīng)過模擬變形訓(xùn)練的CNNs為一對單一模態(tài)圖像生成位移向量場。
Vos et. al. [7][提出了一種可變形圖像配準網(wǎng)絡(luò)(dir - net)，它以一對固定圖像和一對運動圖像為輸入赦肃，非迭代地輸出變換后的圖像。訓(xùn)練是完全無監(jiān)督的公浪，不像以前的方法他宛，它沒有經(jīng)過已知配準轉(zhuǎn)換的訓(xùn)練
前人工作中需要改進的地方：
1）使用空間對應(yīng)的patches 來進行預(yù)測轉(zhuǎn)換，但是在低對比度醫(yī)學圖像中尋找相應(yīng)的patches是不容易的欠气，可能會對配準任務(wù)產(chǎn)生不利影響
2）多模態(tài)配準由于其固有的尋找空間對應(yīng)斑塊的問題厅各，使得其配準方法具有挑戰(zhàn)性
- 使用基于強度的代價函數(shù)限制了基于DL的圖像配準框架的優(yōu)勢
主要創(chuàng)新點：
1）利用GANs進行多模態(tài)醫(yī)學圖像配準，可以恢復(fù)更復(fù)雜的變形范圍
2）損失函數(shù)的改進预柒，加入VGG队塘，SSIM損失和變形場可逆性（deformation field reversibility變形場可逆性袁梗，emmm感覺怪怪的）
對于多模態(tài)配準，我們使用cGANs來保證生成的輸出圖像(即憔古，轉(zhuǎn)換后的浮動圖像）與浮動圖像具有相同的特征(強度分布)遮怜，而與參考圖像(不同模態(tài))具有相似的位置『枋校可以通過在圖像生成的損失函數(shù)中加入適當?shù)募s束來實現(xiàn)锯梁。此外，我們加強變形一致性焰情，以獲得真實的變形場涝桅。這可以防止不切實際的配準，并允許任何圖像作為參考或浮動圖像烙样。不需要對網(wǎng)絡(luò)進行再訓(xùn)練，就可以從不屬于訓(xùn)練集的模式中注冊新的測試圖像對蕊肥。
網(wǎng)絡(luò)結(jié)構(gòu)：
生成網(wǎng)絡(luò)：
配準后的圖像為I_trans
待配準的圖像為I_Flt
固定圖像為I_Ref
I_trans 應(yīng)該和I_Flt有相同的強度分布谒获，和I_Ref有相同的結(jié)構(gòu)信息
NMI(ITrans, IRef)表示IRef和IT rans之間的歸一化互信息(NMI)（normalized mutual information）再多模態(tài)配準任務(wù)中常使用
SSIM(IT rans, IRef)表示結(jié)構(gòu)相似度指標(SSIM)[13]，基于邊緣分布等計算圖像相似度
保證結(jié)構(gòu)相似性
V GG(IT rans, IRef)是使用預(yù)訓(xùn)練V GG - 16網(wǎng)絡(luò)的Relu 4 - 1層全部512個feature map的兩幅圖像之間的L2距離
VGG損失提高了魯棒性壁却，因為成本函數(shù)考慮了在不同尺度上捕獲信息的多個特征映射
對抗損失
循環(huán)一致性損失
實驗：
實驗一：colour fundus images and fluorescein angiography (FA) images 彩色眼底圖像和熒光素血管造影(FA)圖像
評價標準：
registration error (ErrDef) ：應(yīng)用變形場和恢復(fù)變形場之間的配準誤差
95 percentile Hausdorff Distance (HD95)：配準前后95% Hausdorff距離
mean absolute surface distance(MAD)：配準前后的平均絕對表面距離
mean square error (MSE)：配準后的FA圖像與原始未變形的FA圖像對比批狱。
實驗二：心臟圖像配準
