免責事項：この記事はブロガーオリジナル記事ですが、許可ブロガーなく再生してはなりません。https://blog.csdn.net/cskywit/article/details/88773955
画像登録は、様々な異なる時点で、画像処理と研究における技術的困難に典型的な問題は、それが例えば、異なる画像取得装置から、比較、または異なる条件で取得された同じ物体の融合された画像の対象となるであろうあります時々、撮影角度など、異なるオブジェクトの画像登録の問題のために使用する必要があります。より具体的には、2つの画像データセットのセットのために、他の画像マップに一つの画像に空間変換を見つけることにより、両図において同じ空間位置が一致する点までに対応するように情報統合を実現します。
この記事は、に掲載された2018年、筆者が使用CNNを非教師医用画像レジストレーション精度及び達成するためにSTOA フラットを、しかしによる教師なしの速度に劇的に増加しました。3件の記事を寄贈：
- トレーニング中に取得する必要がないよう、ソリューションベースの学習を提案したグランドトゥルース対応や解剖学的ランドマークやその他の情報。
- 人口全体で共有パラメータを提案CNNの登録を評価することによって機能、機能;
- パラメータ最適化コスト関数は、さまざまなタスクに対応するために様々な方法を使用することができます。
ネットワークアーキテクチャ図：
输入为160 × 192 × 224×1的两张单通道灰度图（moving和fixed）叠加成160 × 192 × 224×2。通过CNN学习函数g，CNN的输入即φ配准域，p是体素，φ(p)是图像中的具体位置，F(p)和M(φ(p))确定了相似的解剖位置。
文章定义了空间转换函数，使用差值的形式将配准域转换为最终的配准图：
网络通过梯度下降进行优化，定义的损失函数是常规配准的能量函数上进行改进，常规的能量函数做代价函数如(1)(2)，其中Lsim(·, ·)定义了原图和配准图的相似度，Lsmooth是为了配准图变换得更加平滑而增加的惩罚项。
本文的损失函数定义为：
其中CC为互相关函数：
测试评价指标为常见的Dice Score:
使用CNNの記事には、同様のUNET構造です。
