Image registration method with residual dense relativistic average CGAN
Lifang Wang, Chengcheng Zhang, Pinle Qin, Suzhen Lin, Yuan Gao, Jieliang Dou · Journal of Image and Graphics · 2020
目的针对图像合成配准算法中鲁棒性差及合成图像特征信息不足导致配准精度不高的问题，提出了基于残差密集相对平均条件生成对抗网络（residual dense-relativistic average conditional generative adversarial network，RD-RaCGAN）的多模态脑部图像配准方法。方法相对平均生成对抗网络中的相对平均鉴别器能够增强模型稳定性，条件生成对抗网络加入条件变量能提高生成数据质量，结合两种网络特点，利用残差密集块充分提取深层网络特征的能力，构建RD-RaCGAN合成模型。然后，待配准的参考CT（computed tomography）和浮动MR（magnetic resonance）图像通过已训练好的RD-RaCGAN合成模型双向合成对应的参考MR和浮动CT图像。采用区域自适应配准算法，从参考CT和浮动CT图像中选取骨骼信息的关键点，从浮动MR和参考MR图像中选取软组织信息的关键点，通过提取的关键点指导形变场的估计。从浮动CT图像到参考CT图像估计一个形变场。类似地，从浮动MR图像到参考MR图像估计一个形变场。另外，采用分层对称的思想进一步优化两个形变场，当两个形变场之间的差异达到最小时，将两个形变场融合得到最终的形变场，并将形变场作用于浮动图像完成配准。结果实验结果表明，与其他6种图像合成方法相比，本文模型合成的目标图像在视觉效果和客观评价指标上均优于其他方法。对比Powell优化的MI（mutual information）法、ANTs-SyN（advanced normalization toolbox-symmetric normalization）、D.Demons（diffeomorphic demons）、Cue-Aware Net（cue-aware deep regression network）和I-SI（intensity and spatial information）的图像配准方法，归一化互信息分别提高了43.71%、12.87%、10.59%、0.47%、5.59%，均方根误差均值分别下降了39.80%、38.67%、15.68%、4.38%、2.61%。结论本文提出的多模态脑部图像配准方法具有很强的鲁棒性，能够稳定、准确地完成图像配准任务。