Mattias Lasse：PDD-net in MICCAI

• Mattias P. Heinrich and Lasse Hansen
• MICCAI 2020 - Learn2Reg chanllenge
• pdd-net 2.5、deeds
• unsupervised
• Discrete optimisation、Constrast-independent features

1. Abstract：

In this short paper, we describe our choices for two state-of-the-art discrete 3D registration methods that enable fast and accurate estimation of large deformations without expert supervision during training. Both approaches primarily focus on the use of contrast-invariant features with dense displacement evaluation

• Question： 目的和难度不尽相同的 4 个 3D 医学图像配准任务。
• Method： two state-of-the-art discrete 3D registration methods, focus on the use of contrast-invariant features with dense displacement evaluation。
• Answer： enable fast and accurate estimation of large deformations without expert supervision during training。

2. Introduction：

• 为什么研究这个课题？

  传统的配准方法要么依赖于多重扭曲和从粗到细的分辨率方案（由于内存限制，在基于学习的框架内很难模拟传统配准），要么依赖离散优化以避免局部极小值。

• 目前这个课题的研究进行到了哪一阶段？

  • 对比我们最近提出的 PDD-net 和使用了模态不变性（modality invariant）以及自相似（self-similarity）描述子^{1 2} （MIND-SSC）的 SOTA 模型 deeds³。
  • 我们的结果表明，尽管没有使用标签进行监督，但这两种方法在所有四种任务中，与表现最佳的传统方法和基于学习的方法相比，都具有很强的竞争力——特别是在注释有限的数据集上。

• 作者使用了什么模型和算法？（看不明白也没关系，先抄下来）

  deeds：

  • instead of directly solving the deformation estimation with a single quantised warp, several levels of decreasingly coarse control point grids are employed
  • patch-based similarity metrics are approximated using a quantised range of values (and the efficient Hamming distance) and a subsampling of voxels
  • a simplified graph-model, namely a minimum-spanning-tree is employed (that only requires a single forward and backward path of messages for optimisation) in combination with a symmetric inverse consistency approach
  • 通过使用健壮而准确的 hand-crafted MIND self-similarity context (SSC) descriptors，该方法适用于多模态任务以及具有挑战性的图像外观（大变形）。

  PDD-net：

  • The PDD-net aims to mimic the successful discrete components of deeds.
  • 首先使用一个紧凑的可变形卷积网络（OBELISK-net）⁴来提取特征，并计算一个密集的 6D 相异张量（3 个空间 + 3 个位移维度）。
  • 选择了一个更简单的 graphical model，即条件随机场的平均场推断（不同于马尔可夫随机场，无需计算定向信息），这使得信息能够在三个空间维度上通过（高斯）滤波操作传递。
  • 在大多数情况下，PDD-net 的一个扭曲在不到一秒钟的时间内能产生非常精确的结果，而且还可以使用连续实例优化或第二次扭曲进一步微调。

3. Experiments and Result：（PDD-net）

• Task 1 CuRIOUS US / MRI

  • We chose to use handcrafted MIND features，在多模态配准上表现强劲。（此处没有说明这个 handcrafted MIND features 和原版的 MIND 有何分别）
  • 使用修剪最小二乘法从预测的位移场估计仿射矩阵。
  • 为了达到鲁棒性的配准，还需要对超声图像做 mask。
  • 配准精度的测量使用了人工标注的 landmark，并计算 TRE

• Task 2 Lung CT

  • use fixed MIND features for the PDD-Net
  • 为了使用肺部的血管来辅助配准，他们使用 Foerstner⁵ 算子来提取稀疏关键点，并且将固定网格（fixed grid）上的高斯滤波替换为 kNN 图（k = 10）上的拉普拉斯平滑。
  • 经过二次扭曲后（在 moving img 已经扭曲后再输入网络扭曲一次？），精度很高；第一次扭曲用了 1024 个关键点，第二次用了 1536 个关键点。
  • 配准精度的测量使用了人工标注的 landmark，并计算 TRE

• Task 3 Abdominal CT（inter-patient）

  • using an unsupervised non-local MIND loss
  • We employed a second warp after the first transformation of the moving image (using the same feature extraction network).
  • instance optimisation using Adam optimizer
  • The registration accuracy is assessed by the Dice similarity of organ segmentation labels.

    这里使用了分割标签来计算 dice 相似度，值得本人借鉴。

• Task 4 Hippocampus MRI（inter-patient）

  • the hippocampus MRI images are relatively small (64 × 64 × 64)
  • For this task the PDD-net is extended by a Voxelmorph framework⁶
  • For the first warp, the PDD-net with fixed MIND features is used to predict larger deformations.
  • Then, to cope with remaining small scale transformations, a Voxelmorph network is trained using an unsupervised MIND loss
  • the registration accuracy is evaluated using Dice similarity of segmentation labels

  这里神奇地使用了两个配准网络，第一次使用自家的 PDD-net 来配准大变形（看家本领），第二次使用经过 MIND-loss 训练的 Voxelmorph 来配准小变形。

• 作者关于这个课题的构思有哪几点？

  our contributions to the Learn2Reg challenge we analysed the use of two discrete registration methods (deeds, PDD-net) with several experimental design choices (MIND features, Obelisk features, instance optimisation, etc.) for the four distinctive challenge tasks.

  作者针对四个不同的 task，在他们提出的离散配准网络 PDD-net 上分别对 loss 和优化器选用上做功夫，使得基于同一个特征提取网络（Obelisk-net）的配准网络能适应 4 个差异巨大的 task，并且都取得了非常好的成绩，特别是在多模和无监督的配准任务上，这值得学习和借鉴。

  The PDD-net stands out with fast runtimes and winning task 1 and 2 of the challenge

4. 研究方法：

• 研究的数据从哪里来？
  • MICCAI 2020 - Learn2Reg chanllenge
• 研究中用到的重要指标有哪些？
  • Dice

    计算的是 label 的 dice（DSC）系数，而不是用于原图像计算，因为没有 label 就没有区域（一个分割 label 的灰度值是一样的，比如 22，原图的一个区域的灰度值大概率不一样）可言，自然无法找到可以计算重叠度的方式。

  • target registration error（TRE）

    对于大多数配准任务，最重要的误差度量是目标配准误差（TRE），它是计算在配准变换时不使用的对应点之间配准后的距离。

  • smoothness of the transformation（standard deviation of log Jacobian）
  • infer time