Adversarial Image Registration with Application for MR and TRUS Image Fusion
一、Motivation 1 磁共振(MR)和经直肠超声(TRUS)图像配准是MR-TRUS融合的关键组成部分。 2.由于图像外观之间的巨大差异以及图像对应关系的较大差异。 3 提出了对抗图像配准(AIR)框架。 通过同时训练两个深度神经网络,一个是生成器,另一个是判别器。 4 而且还有一个度量网络,可以帮助评估图像配准的质量。 5 但是,多模式图像配准是一项非常艰巨的任务,因为很难定义鲁棒的图像相似性度量。 6 由于超声图像的嘈杂外观以及MR和TRUS之间的成像分辨率不均匀,因此MR和TRUS的配准更加困难。 二、Contribution 我们提出了一种基于生成对抗网络(GAN)框架[9]并同时训练了CNN的多模态图像配准方法,用于 变换参数估计和配准质量评估 . 提出的AIR-net不仅可以通过G网络的有效前馈直接估计转换参数,而且可以评估D网络估计的配准质量。 AIR-net以端到端的方式进行训练,训练完成后,G和D都将可用。 三、Method 该框架包含两个部分: 1)registration generator 2)registration discriminator 配准生成器用于直接估计变换参数。 图像重采样器然后使用估计的变换参数Test或ground truth变换Tgt对moving image进行插值以获得新的重采样的moving image。 配准判别器(D