- 文章转自微信大众号：机器学习炼丹术
- 笔记：陈亦新
- 参考论文：Fast 3D registration with accurate optimisation and little learning for learn2Reg 2021
- 相关代码：github.com/multimodall…
总述
目前的deformable medical image registration不能满意悉数的下面条件：
- versatile applicability
- small computation or training times
- being able to estimate large deformations
咱们经过decoupling feature learning and geometric alignment来解决这些问题。
- 咱们有一种非常快和精确的优化办法，经过使用discretised displacements和coupled convex optimisation程序，咱们能够很鲁棒的处理大的形变。借助基于Adam-based的实例优化，咱们能够实现非常准的配准性能。
- 咱们为了习惯不同的配准使命，咱们从特定使命的切割Unet傍边提取hand-crafted features。这些特征是模态和比照不变的，并且从特定使命的切割模型傍边提取特征来加强配准作用。
dense correlation现已广泛的应用在基于学习的光流估计模型傍边，PWC-NET，和end-to-end的3D配准模型PDDNet。收钱PWC-NET涉及到multiple warping steps，因而比较困难扩展到3D傍边。PDDNET使用了dense 3D displacements，这简化了优化过程，可能会导致不精确。
这个图中包含了1个feature extractor，1个correlation layer，1个coupled convex optimisation和an instance optimisation
