- 文章转自微信公众号：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…
综述
目前的deformable medical image registration不能满足全部的下面条件：
- versatile applicability
- small computation or training times
- being able to estimate large deformations
我们通过decoupling feature learning and geometric alignment来解决这些问题。
- 我们有一种非常快和准确的优化方法，通过使用discretised displacements和coupled convex optimisation程序，我们可以很鲁棒的处理大的形变。借助基于Adam-based的实例优化，我们可以实现非常准的配准性能。
- 我们为了适应不同的配准任务，我们从特定任务的分割Unet当中提取hand-crafted features。这些特征是模态和对比不变的，并且从特定任务的分割模型当中提取特征来加强配准效果。
dense correlation已经广泛的应用在基于学习的光流估计模型当中，PWC-NET，和end-to-end的3D配准模型PDDNet。收钱PWC-NET涉及到multiple warping steps，因此比较困难扩展到3D当中。PDDNET使用了dense 3D displacements，这简化了优化过程，可能会导致不准确。
这个图中包含了1个feature extractor，1个correlation layer，1个coupled convex optimisation和an instance optimisation
