每周工作汇报.PDFVIP

每周工作汇报 姓名 侯宇轩 开始日期 2018. 11.7 结束日期 2018.11. 12 1. 本周任务与计划 1.1 研究任务 阅读蔡老师新布置的论文：PDE-Net: Learning PDEs from Data ，学习其中的方 法，思考如何用其对level-set 进行改进，来应用在神经纤维瘤分割上。 对之前的深度学习肝脏配准工作进行调整。 2. 本周工作概要 2.1 当前的进展 本周由于临近考试周，未阅读代码。不过本周在写人工智能导论课程论文时， 对MICCAI 2017-2018 的医学图像配准工作进行了综述： MICCAI 2017-2018 医学图像配准方法 综述 侯宇轩 1. MICCAI 介绍 MICCAI 的全称是Medical Image Computing and Computer-Assisted Intervention ，是计算 机影像处理计算（MIC）以及计算机辅助介入（CAI ）两个领域的综合性会议。MIC 中包含 的课题包括配准、机器学习、图像分割、传统CAD （计算机辅助检测）以及临床和生物学 应用。CAI 集中在在介入部分，包括追踪和导航、介入式影像、医用机器人等等，是医疗 影像领域的顶级会议。 2. 医学图像配准介绍 图像配准是医学人工智能中的难题。 配准指找出一个固定图像 （fixed image, F ）与一个变换图像 （Moving image, M）之间的 对应关系 （Vector field ），并将变换图像向尽量与固定图像相似的方向转变。医学图像配准主 要解决对相同组织/部位的不同扫描数据的对应问题。一般CT 扫描要向病人血管中注射造影 剂以便显像，造影剂在体内的分布不同，CT 图像中增强（高亮）的部分也不同。以肝脏CT 增强扫描为例，一般分为动脉期(Arterial)、门静脉期（Portal）和延迟期（Delayed）三期图像。 下图是一个例子，明显可以看到箭头部分 （肿瘤）的亮度在不同的增强期内表现不同。 A:平扫B:动脉期C: 门静脉期D:延迟期 显然，医学图像的配准一般是非刚性的、可变形（Deformable）的，用于消除病人呼吸、 心脏跳动等等引起的形变。 3.MICCAI 2017-2018 医学图像配准论文介绍 此两年的MICCAI 的医学图像配准主要分为以下几个方面： 3.1 神经网络法学习形变向量场 （监督学习） 3.1.1 Sokooti H, Vos B D, Berendsen F, et al. Nonrigid Image Registration Using Multi-scale 3D Convolutional Neural Networks (MICCAI 2017) 数据： 本文使用SPREAD 数据，含有19 对 3D 胸部CT 图像，病人年龄为49~78 不等。 每位 病人由 baseline 数据和 30 天 follow-up 数据组成。每对 CT 图像有 100 个半自动选取的 landmark。 介绍： 本文使用了端到端的三维网络，称为RegNet，用于预测图像之间的DVF （Displacement vector field ）。它使用的是监督学习方法：在训练阶段，对于一个训练所用patch，随机选取 一些点作为landmark，调整不同参数对其进行某一个方向的形变，然后使用高斯核将图像进 行平滑，并将形变对应的 DVF 保存下来。使用固定图像(Fixed image, F)、变换图像(Moving image, M)作为输入，对应的变化向量场DVF 作为训练的标签，进行监督学习。 测试结果发现本文方法与单精度 B 样条配准方法更优，同时也接近多精度(multi- resolution)B 样条方法。本文的主要优点是可以使用训练好的神经网络代替原始的迭代法预 测配准的向量场DVF。