南方医科大学学报

作者：陈 宇, 万辉帆, 邹茂扬

单位：成都信息工程大学计算机学院，四川 成都 610225

关键词：无监督；Wasserstein Gan；单模配准；对抗训练,

本文提出一种基于Wasserstein Gan的无监督单模配准方法。与现有的基于深度学习的单模配准方法不同，本文的方法完成训练不需要Ground truth和预设的相似性度量指标。本文方法的主要结构包括生成网络和判别网络。首先，生成网络输入固定图像（正例图像）和浮动图像并提取图像间潜在的形变场，通过插值方式预测配准图像（负例图像）；然后，判别网络交替输入正例图像和负例图像，判断图像间的相似性，并将判断结果作为损失函数反馈，进而驱动网络参数更新；最后，通过对抗训练，生成网络预测的配准图像能欺骗判别网络，网络收敛。实验中随机选取30例LPBA40脑部数据集、25例EMPIRE10肺部数据集和15例ACDC心脏数据集用作训练数据集，然后将剩下的10例LPBA40脑部数据集、5例EMPIRE10肺部数据集和5例ACDC心脏数据集用作测试数据集。配准结果与Affine算法、Demons算法、SyN算法和VoxelMorph算法对比。实验结果显示，本研究算法的DICE系数（DSC）和归一化相关系数（NCC）评价指标均是最高，表明本文方法的配准精度高于Affine算法、Demons算法、SyN算法和目前无监督的SOTA算法VoxelMorph。

来源：2021年第9期

《南方医科大学学报》期刊编辑部

查看南方医科大学学报杂志2021年第9期