一种新颖的少样本学习框架，用于监督下的微分同胚图像配准网络

《IEEE Transactions on Medical Imaging》：A Novel Few-Shot Learning Framework for Supervised Diffeomorphic Image Registration Network

图像配准实时性不足，传统方法复杂度高。无监督网络依赖大数据且精度低，监督网络在医学应用中面临物理网格折叠和标注数据稀缺问题。本文提出RDG与监督少样本学习结合的框架：RDG随机生成流形解决标注少问题，监督网络仅需少量数据训练，通过保证变形场平滑性消除网格折叠。实验证明方法在消除网格折叠上优于现有深度学习模型。

　　

摘要：

图像配准是图像处理和分析中的关键技术。由于其复杂性较高，传统的配准框架在实践中往往无法满足实时需求。为了解决实时问题，已经提出了几种基于深度学习的配准方法，包括有监督和无监督网络。无监督网络依赖于大量的训练数据来最小化特定的损失函数，但由于缺乏物理信息约束，其准确度相对较低。然而，医学图像配准中的有监督网络面临两个主要挑战：物理网格折叠和标记训练数据的稀缺。为了解决这两个问题，我们提出了一种新颖的少样本学习框架用于图像配准。该框架包含两个部分：随机微分同胚生成器（RDG）和用于图像配准的有监督少样本学习网络。通过随机生成复杂的向量场，RDG可以产生一系列微分同胚。借助RDG生成的微分同胚，只需使用少量的图像数据（理论上，一张图像数据就足够了）就可以生成一系列标签来训练有监督的少样本学习网络。关于消除物理网格折叠现象，在所提出的网络中，损失函数仅需要确保变形的平滑性（无需其他控制来消除网格折叠）。实验结果表明，与其他现有的基于学习的方法相比，所提出的方法在消除物理网格折叠方面表现出更优越的性能。我们的代码可在此链接获取：https://github.com/weijunping111/RDG-TMI.git

引言

图像配准是图像处理和分析中的一个具有挑战性的任务。一般来说，图像配准的目标是在不同时间、不同空间或使用不同设备获取的图像之间建立空间关系。具体来说，对于某个有界域和两张图像，图像配准的目标是找到一个空间变换，使得变形后的浮动图像尽可能地类似于目标图像。这是一个病态问题，为了克服这种病态性，一种经典的方法是在变换上添加一些正则化或约束。因此，图像配准的变分框架可以表述如下：

φK

其中， 是某个适当的函数空间， 是衡量 与 R 之间相似性的拟合项， 是用于消除异常解的正则化项。