【论文笔记】基于深度学习的端到端无监督配准模型——变形图像配准网络(Deformable Image Registration Network, DIRNet)

本文主要是介绍【论文笔记】基于深度学习的端到端无监督配准模型——变形图像配准网络(Deformable Image Registration Network, DIRNet),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

本文是论文 End-to-End Unsupervised Deformable Image Registration with a Convolutional Neural Network 的阅读笔记。

文章提出了一种端到端的无监督配准模型——变形图像配准网络(Deformable Image Registration Network, DIRNet),并在手写数字数据集 MNIST 和心脏电影 MR 数据集 SCD 上做了实验。这个模型包括三个部分:一个由 CNN 实现的回归器、空间变换网络、重采样器。该模型是第一个基于深度学习的无监督端对端的图像配准模型。

一、网络结构

DIRNet 由回归器、空间变换器和重采样器三部分组成。如上图所示,回归器以 fixed image 和 moving image 的图像块作为输入,其输出的形变参数作为空间变换器的输入,空间变换器产生一个形变场,然后输入到重采样器中,重采样器根据形变场对 moving image 进行变换,得到配准之后的图像。整个网络通过通过计算 fixed image 和 warped moving image 之间的相似性作为损失函数来更新网络的参数。

1. 回归器

回归器的输入是 fixed image 和 moving image 中对应的图像块(patch),它利用 CNN 预测一个局部的形变参数。其网络结构具体是:4 个 3 × 3 3\times3 3×3 的卷积层,采用 0 填充,并且使用 2 × 2 2\times2 2×2 的下采样层,下采样层具体使用的是平均池化操作,然后是一个 1 × 1 1\times1 1×1 的卷积层作为全连接层。每一层中都使用了批正则化,除最后一个卷积层外每个卷积层后都跟着一个指数线性单元(ELU)作为激活函数。

2. 空间变换器

空间变换器的输入是回归器预测的形变参数,其输出是一个位移向量场(形变场),具体的,空间转换器会根据薄板样条产生一个形变场,这种更适合于预测全局的形变场,即输入是整幅图像;当输入是图像块时,预测的是局部的形变场,这时 B 样表转换则更适合。

3. 重采样器

重采样器的输入是一个形变场,其输出是变形后的 moving image。

模型的优化器采用的是随机梯度下降优化器,图像之间的相似度损失采用的是归一化的互相关。

二、实验结果

1. MNIST 数据集

在处理 MNIST 数据集时,由于有 0~9 十种不同的手写数字,所以是对每一类的图像分别进行训练的,并且在训练时随机选择一个图片作为 fixed image。

上图是对 MNIST 数据集进行训练的结果,第一行是每一类图像取平均值之后得到的,第二行是 fixed image,第三行是配准之后的结果。

2. SCD 数据集

为了评估不同的网络设置对效果的影响,在 SCD 数据集上进行训练时,以第二部分网络结构中提到的设置作为基准,分别对以下内容做了实验:

为了评估不同的下采样方法的影响,DIRNet-A1 模型使用的是最大池化操作,DIRNet-A2 模型使用的是步长为 2 的卷积操作。

为了评估不同的空间变换器的影响,DIRNet-B1 使用的是二次 B 样条变换器,DIRNet-B2 使用的是薄板样条变换器。

为了评估不同大小的接收野(即patch大小)的影响,DIRNet-C1 使用的是有重叠的图像块,该图像块大小与B样条控制点的捕获范围一致,这是通过在最终池层前后添加额外的 3 × 3 3\times3 3×3 的卷积层来实现的;DIRNet-C2 通过将最后一层 1 × 1 1\times1 1×1 的卷积层替换为 3 × 3 3\times3 3×3 的卷积层,然后是一个下采样层、两个 1024 节点的完全连接层和一个 16 × 16 16\times16 16×16 的二维控制点的最终输出层来分析每个控制点的全图像切片。

上图是根据上述不同的实验设置得到的训练结果,其中每一行分别表示配准之前的损失、SimpleElastix 模型训练的损失以及不同设置的 DIRNet 的损失。 9 5 t h S D 95^{th} SD 95thSD 是 surface distance(表面距离)的缩写, M A D MAD MAD 是 mean absolute surface distance(平均绝对表面距离的缩写)。在所有的模型中,B2 训练时收敛的较慢,但是效果比基准网络要好,C1 的效果是最好的。

上图是 DIRNet 和 SimpleElastix 配准结果的对比图,可以看出来 DIRNet 的配准结果更接近于 fixed image。

这篇关于【论文笔记】基于深度学习的端到端无监督配准模型——变形图像配准网络(Deformable Image Registration Network, DIRNet)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/323164

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

csu(背包的变形题)

题目链接 这是一道背包的变形题目。好题呀 题意:给n个怪物,m个人,每个人的魔法消耗和魔法伤害不同,求打死所有怪物所需的魔法 #include<iostream>#include<algorithm>#include<cstring>#include<stack>#include<queue>#include<set>//#include<u>#include<map

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

hdu3389(阶梯博弈变形)

题意:有n个盒子,编号1----n,每个盒子内有一些小球(可以为空),选择一个盒子A,将A中的若干个球移到B中,满足条件B  < A;(A+B)%2=1;(A+B)%3=0 这是阶梯博弈的变形。 先介绍下阶梯博弈: 在一个阶梯有若干层,每层上放着一些小球,两名选手轮流选择一层上的若干(不能为0)小球从上往下移动,最后一次移动的胜出(最终状态小球都在地面上) 如上图所示,小球数目依次为

Linux 网络编程 --- 应用层

一、自定义协议和序列化反序列化 代码: 序列化反序列化实现网络版本计算器 二、HTTP协议 1、谈两个简单的预备知识 https://www.baidu.com/ --- 域名 --- 域名解析 --- IP地址 http的端口号为80端口,https的端口号为443 url为统一资源定位符。CSDNhttps://mp.csdn.net/mp_blog/creation/editor