医療画像レジストレーションレビュー研究
現在、医療画像レジストレーションに関するレビューはほとんどありません。著者は2つの記事しか見つけませんでした
。1つは「MachineVision and Applications」に掲載されました-医療画像レジストレーションのディープラーニング：調査ともう1つは「Physicsin
Medicine and生物学」》-医療画像レジストレーションにおけるディープラーニング：レビュー
メディア画像分析におけるディープラーニングに関する他のレビューペーパー：
1、J。Ker 、LP Wang、J。Rao、T。Lim 。医療画像分析におけるディープラーニングアプリケーション.Ieee Access、6：9375-9389、2018。ISSN 2169-3536。doi：10.1109
/Access.2017.2788044。2、G。Litjens、T。Kooi、BE Bejnordi、AAA Setio、F。Ciompi、M。Ghafoorian、JAWM van der Laak、B。vanGinneken、およびCISanchez。医療画像分析におけるディープラーニングに関する調査。MedicalImageAnalysis、42：60–88、2017年。ISSN1361-8415。doi：10.1016 /j.media.2017.07。 005。
3、Y。Liu、X。Chen、ZFWang、ZJWang、RKWard、およびXSWang。ピクセルレベルの画像融合のための深層学習：最近の進歩と将来の展望。Information Fusion、42：158–173、2018年。ISSN1566-2535。土井：10.1016 /j.inffus.2017.10.007。
4、A。Maier、C。Syben、T。Lasser、およびC.Riess。医用画像処理におけるディープラーニングの穏やかな紹介。Zeitschrift Fur Medizinische Physik、29（2）：86–101、2019。ISSN0939-3889。土井：10.1016 /j.zemedi.2018.12.003。
5、P。Meyer、V。Noblet、C。Mazzara、およびA.Lallement。放射線治療のための深層学習に関する調査。Computers in Biology and Medicine、98：126–146、2018年。ISSN0010-4825。土井：10.1016 / j。compbiomed.2018.05.018。
6. B. Sahiner、A。Pezeshk、LM Hadjiiski、XS Wang、K。Drukker、KH Cha、RM Summers、ML Giger。医用画像と放射線療法の深層学習。MedicalPhysics、46（1）：e1-- e36、2019。ISSN0094-2405。doi：10.1002
/mp.13264。7、Dinggang Shen、Guorong Wu、およびHeung-Il Suk。医用画像分析におけるディープラーニング。生物医学工学の年次レビュー、19：221–248、 2017 .ISSN 1545-42741523-9829。doi：10.1146 /annurev-bioeng-071516-044442。8、ZW
Zhang and E. Sejdic。放射線画像と機械学習：傾向、展望、展望。生物学と医学におけるコンピューター、108 ：354–370、2019。ISSN 0010-4825。doi：10.1016 / j.compbiomed.2019.02.017。PMB
は比較的新しく包括的であるため、以下は論文の内容の要約にすぎません。
コンピュータビジョンの分野は非常に迅速に更新されるため、学習の概要情報は比較的遅れています。最新の会議の履歴書のジャーナルやWebサイトを直接確認することをお勧めします。
学習の復習
医用画像レジストレーションの分類：
1.入力画像の角度に応じて：シングルモード、マルチモード、異なる患者、同じ患者（同じ日、異なる日）の登録。
2.変形可能なモデルの角度に応じて：剛体、アフィン、変形可能。
3.場所に応じて：脳、肺、肝臓など。
4.画像の寸法に応じて：2D-2D、2D-3D、3D-2D、3D-3Dの登録。
5.登録方法によると：RLベース、深い類似性ベース、教師あり、教師なし、GAN、DLを使用した登録検証、その他
DIR：変形可能な画像登録。
ディープラーニングの概要
1、CNN
2、U-net：U-netは、少数のトレーニングデータセットから効果的な特徴学習を可能にします
3、ResNet
4、DenseNet
5、RNN、LSTM
6、強化学習（RL）：環境内の現在の状態を考慮して、実行する最善のアクションを予測します。Q学習、ベルマン方程式。
7、GAN
記事の数
医療画像レジストレーションのディープラーニング
DVF：変形可能なベクトル場。SAM：統計的外観パラメータ。ADV：敵対的; GT：グラウンドトゥルース。DIR：変形可能な画像レジストレーション。TRE：ターゲット登録エラー。RL：強化学習。
DLベースの類似性測定
従来型：強度ベース（SSD、MSD、（N）CC、（N）M、一般的に従来型の類似性はシングルモーダル画像レジストレーションにのみ適しています。MIはマルチモーダルレジストレーションに使用できます。MINDなどの一部のMIバリアント。効果はそれは良いかもしれ
ませんが、フォームを固定し、著者はまだ完全には特定の意味を理解していない、と後から追加されるいくつかのDL-baed類似性メトリックは非凸であり、いくつかの戦略が提案されている：DLベースの類似度。非凸面を緩和するため（凸面の優位性の最適化など）。
医療画像レジストレーションのRL
RLとCNNを組み合わせると、画像レジストレーションの問題は一連の分類タスクに分解されます。つまり、画像レジストレーションのレベルを繰り返し改善するために、回転、平行移動などの一連のアクションを探します。
ほとんどのRLベースの方法で実行される厳密な登録。RLベースの方法は、マルチモーダル登録の堅牢性を向上させることができます。
監視ありおよび監視なし
以前の方法はすべて反復的であり、教師なしおよび教師ありDLベースの方法はワンショットであるため、登録時間を短縮できます。図3によると、現在の教師ありと教師なしの方法が全体の半分以上を占めており、それらは増加しています。将来の研究のホットスポットもこれら2つである可能性があります。
監視対象：グラウンドトゥルースが必要です。一般に、次の3つのカテゴリに分類できます。
（1）ランダム変換：位置合わせされた画像ペアに従って、任意の既知の回転、平行移動、およびその他の変形。欠点は、与えられた変形が実際の生体力学やその他の条件に適合しない可能性があることです。
（2）従来の登録生成変換：従来の方法を使用してDVFをGTとして生成します。
（3）モデルベースの変換生成：既知のGT DVFの少数の画像ペアに対して、DVFパラメーターの分布がガウス分布であると仮定すると、多数の合成画像ペアが生成されます。
FlowNetのGT世代は、上記の3つの方法を使用します。
監視なし：たとえば、シングルモード登録でより多く使用されるVoxelMorph。
DVF逆整合性の理解について：著者の理解は、登録は往復である必要があるということです。未登録の画像I1とI2のペアの場合：I1-> I2のDVFはf12であり、I2-> I1のDVFはf21であるため、f12・f21 = f21・f12 = 0です。それ以外の場合は、トリップバックに失敗します。
医療画像レジストレーションのGAN
GANネットワークには、医療画像レジストレーションの2つの主要な機能があります。
（1）マルチモーダルレジストレーションの場合、最初にマルチモーダルデータをシングルモーダルデータに変換できます。つまり、前処理として画像変換を実行できます。プロセスは、シングルモーダル登録に似ています。
（2）ADV損失を提供します。
疑問に思う
画像レジストレーションは病理学的問題であると記事で何度も言及されており、著者はまだそれを理解していません。