学习笔记11月27日

Infant Brain Deformable Registration Using Global and Local Label-Driven Deep Regression Learning

文章来源：谷歌学术
一、摘要
婴儿大脑磁共振（MR）图像的可变形配准具有挑战性，因为：(1)这些纵向图像存在较大的解剖学和外观变化；(2)整体解剖区域与其中的局部小区域之间存在一对多的外观对应关系。
在本文中，我们应用了一种基于全局和局部标签驱动学习的卷积神经网络（CNN）的可变形配准方案。两个待配准的patches被输入一个类似u-net的回归网络。然后，通过对多个标签patches之间的损失函数进行优化，得到一个致密位移场（DDF）（在前一篇论文中也出现了）。全局和本地标签补丁对只用于在训练阶段驱动配准。在推理过程中，通过向训练的网络输入两个新的Mr图像，得到的三维DDF。最突出的是，整体组织，即白质（GM）、灰质（GM）、脑脊液（CSF）和局部海马同时对齐，没有任何先验的真实变形。特别是对于局部海马体，他们在两个对齐图像之间的Dice比率大大提高。实验结果是基于婴儿大脑不同时间点之间的Mr图像的主体内和主体间的配准，与最先进的配准方法相比，在全局和局部组织中都具有更高的准确性。

关键词：婴儿大脑Mr图像；可变形配准；标签驱动学习。

二、本文的主要工作
(1)整体组织和局部组织同时排列良好。在训练期间，不仅使用全局标签，即WM、GM和CSF，而且还使用本地标签。这克服了一对多的问题，建立了全局组织和局部组织的体素对应关系。此外，由于局部组织排列，邻近整体区域的变形折叠将得到缓解。
(2)局部组织排列是主体独立和时间点独立的。将局部组织之间的配准相似性作为总损失函数的一部分，并在训练阶段对局部组织的DDF进行训练。因此，无论是主体内配准还是主体间配准婴儿大脑Mr图像，局部小组织区域将很好地对齐任何时间点对。
(3)据我们所知，这是第一次变形配准基于全球和本地标签驱动的深度回归学习被用于研究婴儿大脑图像对齐，这有助于解决巨大的外观和形态差异在婴儿大脑图像没有任何变形。
三、实现过程
1、基于全局和局部标签驱动的深度回归学习的可变形图像配准方案的框架。

此外，我们使用DDF正则化、多步幅和表面丢弃来提高DDF的精度和平滑性，并使用数据扩充和洗牌顺序来提高泛化能力。
2、婴儿脑Mr可变形配准网络体系结构如下

输入的是从两个不同时间点的婴儿大脑Mr图像中提取的一对补丁，每个补丁的大小为646464.输出的DDF补丁为646464*3，，与输入补丁位于同一位置。
该网络由四个上采样共振网块和四个下采样共振网块紧密连接。采用四层求和跳跃层对整个网络进行了简化，缓解了梯度消失问题。输出的DDF是通过对五个分辨率级别的求和来计算出来的。其中4个是由上采样块和sm层三端层的特征数据与偏差项卷积后的三线性插值得到的。DDF的剩余部分是通过从最后一个Res-net块的末端层进行卷积得到的，而不需要进行三线性插值。
3、实验结果

配准结果采用WM、GM和海马的Dice比值来评价配准性能。在表1中，我们分别列出了Demons、全局标签标签（LRG）和我们的方法，从2周、3周、6个月到12个月大的主体内/主体间配准结果。
在表1中，对于全局GM和WM标签，我们的配准方案具有与LRG方法相似的Dice比率，在大多数情况下比Demon高。对于局部海马标记，我们的配准方法在所有情况下的三种配准方法中都获得了最好的结果。例如，与Demon相比，2周、3周、6月和9个月图像与12个月图像配准海马的平均骰子比分别增加了90%、44%、27%、27%和23%，受试者间分别为81%、54%、43%和39%分别配准。与LRG方法相比，本方法的海马大鼠比值也有了很大的增加。我们可以得出结论： (1)局部组织海马的配准是主体独立和时间点独立的，主体内和时间点间的对齐性能；(2)对于全局组织（即WM和GM），我们的方案取得了良好的LRG配准结果，在大多数情况下优于Demons。
4、结论
在本研究中，我们提出了一种基于贴片的婴儿大脑Mr图像变形配准方法，该方法结合全局和局部标签信息，通过u-net回归网络训练DDF。然后在推理过程中，通过平均更密集的成对补丁的网络输出，计算两个新的整个纵向婴儿大脑Mr图像之间的总DDF。我们的配准方案可以克服较大的解剖和外观变化和一对多对应的问题，而没有任何地面真实变形或变换。
通过不同时间点婴儿脑Mr图像对的被试内和被试间配准的实验结果，显示出不仅对整体组织和局部组织都有良好的配准性能。