一、Motivation
- 我们的方法使用生成式对抗网络(GANs)，消除了耗时的迭代方法。
- 直接预测变形场用于图像配准
二、Method
作者首先提到现有几种Gan的缺点。
- Conditional Gans(cGANs) 在cGANs中，输出取决于输入图像和随机噪声向量，需要训练图像对。
- cyclic GANs (cycGANs) cycGANs不需要训练图像, 但加强变形场的一致性。
把这两种模型的优点结合起来优化配准。
对于多模态图像配准，我们使用cGANs来确保生成的输出图像与Moving Image具有相同的特征(如强度分布)，那么根据Ground-Truth与参考图像一致性。
此外，我们加强变形一致性，以获得真实的变形场。这样可以防止不切实际的变形以及允许任何图像作为参考或Moving图像。
- Generating Registered Images
上面这张图就是G网络的形式化。Trans是变换后的图像，Flt是Moving Image, Ref是参考图像。
-
损失定义如下
三个组成都是质量度量函数。分别保证与参考图像与具有相同的强度分布，结构相似性。VGG loss增强鲁棒性。
-
G网络结构图。网络输入是Moving and Fixed Image。 输出就是变形场。
- Deformation Field Consistency
就是说我用Moving Image 配准至 Fixed Image 和 Fixed Image 配准至 Moving Image是一致的。
- Adversarial Loss
- Cycle Consistency Loss
- D网络结构
Experiment