趙華秋，謝勤嵐

（中南民族大學(xué) 生物醫(yī)學(xué)工程學(xué)院，武漢 430074）

據(jù)2018年的中國(guó)心血管病報(bào)告［1］，心臟疾病在我國(guó)的發(fā)病率和致死率一直高居不下.心臟疾病與心臟形態(tài)和運(yùn)動(dòng)功能密切相關(guān)，在整個(gè)心跳周期內(nèi)會(huì)影響著左心室（Left Ventricle，LV）及左心室心?。↙eft Ventricular Myocardium，LVM）的結(jié)構(gòu)和功能，心臟磁共振電影成像（Cardiac Cine MRI）常用來(lái)衡量心臟的復(fù)雜三維運(yùn)動(dòng)，從臨床的角度出發(fā)，詳細(xì)了解心臟功能和心肌的運(yùn)動(dòng)狀態(tài)，具有潛在的診斷意義.

傳統(tǒng)圖像配準(zhǔn)方法如對(duì)稱圖像的歸一化方法Syn［2］以及Demons［3］形變圖像配準(zhǔn)方法，通過對(duì)兩幅圖像之間的多次迭代，同時(shí)使用高斯濾波器對(duì)位移場(chǎng)進(jìn)行平滑處理，得到圖像配準(zhǔn)所需的基本變化.也有相應(yīng)的Elastix［4］工具包直接用于醫(yī)學(xué)圖像的配準(zhǔn).陸雪松等［5］采用最小距離樹方法對(duì)傳統(tǒng)方法進(jìn)行改進(jìn)，完成了對(duì)待分割圖像之間的非剛性配準(zhǔn).傳統(tǒng)方法速度慢，且不能有效地學(xué)習(xí)到數(shù)據(jù)間的關(guān)聯(lián)信息，局限性較大.為解決這些問題，近幾年已經(jīng)有很多深度學(xué)習(xí)方法在配準(zhǔn)領(lǐng)域的應(yīng)用，如ROHE等［6］從一對(duì)標(biāo)簽圖像中建立真實(shí)形變并用以訓(xùn)練.WANG等［7］將低維傅里葉表示引入配準(zhǔn)網(wǎng)絡(luò)降低了計(jì)算的復(fù)雜性.FAN等［8］通過一個(gè)分層的雙重監(jiān)督網(wǎng)絡(luò)，利用間隙填充及粗到細(xì)的引導(dǎo)來(lái)修正網(wǎng)絡(luò)，得到了更好的結(jié)果.HU等［9］利用標(biāo)簽進(jìn)行弱監(jiān)督，通過標(biāo)簽之間的相似性來(lái)訓(xùn)練網(wǎng)絡(luò).這些都是有監(jiān)督的學(xué)習(xí)方法，需要圖像標(biāo)簽（Ground Truth，GT）作為核心支持，但醫(yī)學(xué)圖像的標(biāo)簽稀少難得，模型的性能過于依賴標(biāo)簽質(zhì)量.

空間變換網(wǎng)絡(luò)［10］（Spatial Transformer Network，STN）提出以來(lái)，無(wú)監(jiān)督學(xué)習(xí)進(jìn)行圖像配準(zhǔn)的方法逐漸流行，且無(wú)需額外的標(biāo)簽支持訓(xùn)練［11］.ZENG等［12］提出CorrNet3D通過變形重建點(diǎn)云序列建立精確的對(duì)應(yīng)關(guān)系，實(shí)現(xiàn)了無(wú)監(jiān)督學(xué)習(xí)下的點(diǎn)云配準(zhǔn).DEVOS BD等［13］提出的深度學(xué)習(xí)配準(zhǔn)框架DLIR是利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的無(wú)監(jiān)督醫(yī)學(xué)圖像配準(zhǔn)技術(shù).BALAKRISHNAN等在UNet［14］模型的基礎(chǔ)上改進(jìn)的經(jīng)典VoxelMorph［15］網(wǎng)絡(luò)是一種端到端配準(zhǔn)網(wǎng)絡(luò)，在腦部配準(zhǔn)任務(wù)上取得了與傳統(tǒng)方法相媲美的精度，同時(shí)有著更快的配準(zhǔn)速度.SHEIKHJAFARI等［16］提出了一個(gè)全連通網(wǎng)絡(luò)的可變形圖像配準(zhǔn)算法，通過深監(jiān)督網(wǎng)絡(luò)優(yōu)化空間變換，用于2D心臟圖像的配準(zhǔn).DEVOSBD等［17］提出DIRNet，是第一個(gè)基于深度學(xué)習(xí)的無(wú)監(jiān)督端對(duì)端的圖像配準(zhǔn)模型，在MNIST手寫數(shù)據(jù)和心臟MRI掃描圖像的結(jié)果優(yōu)于Elastix方法.但如SHEIKHJAFARI的工作是在2D圖像上進(jìn)行的，DEVOSBD等人的工作并未使用正則化項(xiàng)約束位移.而無(wú)監(jiān)督學(xué)習(xí)方法在心臟運(yùn)動(dòng)估計(jì)方面的應(yīng)用較少，不同于腦部圖像相對(duì)靜止的情況，心臟跳動(dòng)產(chǎn)生的非線性形變會(huì)帶來(lái)巨大挑戰(zhàn).

基于此，本文提出一種無(wú)監(jiān)督學(xué)習(xí)的心臟運(yùn)動(dòng)估計(jì)方法，利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)三維心臟運(yùn)動(dòng)估計(jì).心臟運(yùn)動(dòng)估計(jì)網(wǎng)絡(luò)通過優(yōu)化相似性度量和正則化項(xiàng)的和來(lái)訓(xùn)練，不需要監(jiān)督信息.接收一對(duì)輸入的三維心臟CineMR圖像并輸出一個(gè)預(yù)測(cè)的形變場(chǎng)，正則化項(xiàng)對(duì)形變場(chǎng)施加平滑約束.實(shí)驗(yàn)結(jié)果表明：該網(wǎng)絡(luò)在開銷較小的情況下，讓心臟運(yùn)動(dòng)估計(jì)任務(wù)的性能得到提升，能夠推導(dǎo)出兼具平衡運(yùn)動(dòng)特征和圖像配準(zhǔn)精度的運(yùn)動(dòng)模型.

1 研究方法

用于心臟運(yùn)動(dòng)估計(jì)的快速圖像配準(zhǔn)框架由心臟運(yùn)動(dòng)估計(jì)網(wǎng)絡(luò)、空間變換網(wǎng)絡(luò)組成，如圖1所示.完整的心跳周期由舒張末期（End Diastole，ED）至收縮末期（End Systole，ES）構(gòu)成，F(xiàn)ixed Image和Moving Image分別表示定義在三維空間上的固定圖像和運(yùn)動(dòng)圖像，以F和M表示.F對(duì)應(yīng)著ED的一幀，M對(duì)應(yīng)著ED到ES期間的每一幀，因此從ED開始到ES有n幀的單個(gè)病人數(shù)據(jù)，有（n-1）對(duì)樣本組成輸入.

圖1 心臟運(yùn)動(dòng)估計(jì)的快速圖像配準(zhǔn)框架Fig.1 Fast imageregistration framework for cardiac motion estimation

傳統(tǒng)圖像配準(zhǔn)方法的本質(zhì)是將圖像配準(zhǔn)轉(zhuǎn)化為參數(shù)優(yōu)化問題，通過反復(fù)迭代得到最佳參數(shù).而本文提出的方法將心臟運(yùn)動(dòng)估計(jì)轉(zhuǎn)換為數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)任務(wù)，將其定義為一個(gè)參數(shù)函數(shù)gθ（F，M）=Φ，采用心臟運(yùn)動(dòng)估計(jì)網(wǎng)絡(luò)對(duì)函數(shù)進(jìn)行建模，其中θ為網(wǎng)絡(luò)的可學(xué)習(xí)參數(shù)，Φ為形變場(chǎng)（Deformation Field），通過給定的輸入圖像對(duì)參數(shù)θ進(jìn)行優(yōu)化.空間變換網(wǎng)絡(luò)STN通過預(yù)測(cè)出的形變場(chǎng)Φ將運(yùn)動(dòng)圖像M扭曲為形變圖像M·Φ，訓(xùn)練過程中計(jì)算形變圖像與固定圖像之間的相似性Lsim（F，M·Φ）和形變場(chǎng)的正則化項(xiàng)Lsmooth（Φ），兩者組成損失函數(shù)L（F，M，Φ）優(yōu)化網(wǎng)絡(luò)，其中正則化項(xiàng)用以對(duì)形變場(chǎng)施加平滑約束，加強(qiáng)局部區(qū)域的形變學(xué)習(xí)，保證形變場(chǎng)的平滑度.

1.1 心臟運(yùn)動(dòng)估計(jì)網(wǎng)絡(luò)結(jié)構(gòu)

用于快速配準(zhǔn)方法的心臟運(yùn)動(dòng)估計(jì)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，矩形內(nèi)的數(shù)字為相應(yīng)的通道數(shù)，下方括號(hào)內(nèi)的數(shù)字代表圖像的尺寸變化，最初為1，1/2表示尺寸縮減一半.網(wǎng)絡(luò)的輸入是一對(duì)大小為80×80×16的固定圖像F和運(yùn)動(dòng)圖像M，輸入圖像被連接成一個(gè)雙通道三維圖像.該網(wǎng)絡(luò)的所有卷積層均采用步長(zhǎng)為1、大小為3×3×3的卷積核，每層后伴有一個(gè)權(quán)重為0.2的LeakyRelu激活函數(shù).編碼器部分，下采樣層采用內(nèi)核大小為2×2×2的最大池化替代VoxelMorph中的跨步卷積，以保留更多圖像信息.解碼器部分交替經(jīng)過三次上采樣、跳躍連接和卷積層，跳躍連接將編解碼部分的信息融合，使網(wǎng)絡(luò)在更豐富的特征下預(yù)測(cè)形變場(chǎng).最后應(yīng)用一次卷積輸出預(yù)測(cè)的3×80×80×16的張量即形變場(chǎng)，分別代表著xyz三個(gè)方向上的體素變形.該網(wǎng)絡(luò)僅有三層，相比于Voxelmorph的四層結(jié)構(gòu)，其層數(shù)更少，便于搜尋圖像之間的細(xì)微變換.

圖2 心臟運(yùn)動(dòng)估計(jì)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Cardiac motion estimation network structure

1.2 空間變換網(wǎng)絡(luò)

受輸入數(shù)據(jù)在空間多樣性方面的影響，對(duì)于大尺度空間變換，卷積神經(jīng)網(wǎng)絡(luò)穩(wěn)定性較弱，空間變換網(wǎng)絡(luò)能夠靈活嵌入已存在的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，使其具備空間變換的能力，主動(dòng)在空間上轉(zhuǎn)換特征映射并學(xué)習(xí)相應(yīng)的變換，其結(jié)構(gòu)如圖3所示.

圖3 空間變換網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 The structure of spatial transformer network

Input和Output分別為輸入圖像和輸出圖像，定位網(wǎng)絡(luò)（Localization Net）根據(jù)輸入圖像產(chǎn)生空間變換Tθ的參數(shù)θ，隨后網(wǎng)格生成器（Grid Generator）根據(jù)定位網(wǎng)絡(luò)產(chǎn)生的參數(shù)θ構(gòu)建采樣網(wǎng)格，代表著輸出圖像與輸入圖像之間像素點(diǎn)的映射關(guān)系；采樣器（Sampler）則是將產(chǎn)生的采樣網(wǎng)格作用于輸入圖像上，通過插值方式產(chǎn)生相應(yīng)的輸出圖像.

1.3 損失函數(shù)

在圖像配準(zhǔn)中，將一幅運(yùn)動(dòng)圖像M配準(zhǔn)到一幅固定圖像F，描述的是從固定圖像到運(yùn)動(dòng)圖像的映射，建立了像素級(jí)的對(duì)應(yīng)關(guān)系.而形變場(chǎng)的平滑性以及形變圖像與固定圖像的相似度，是衡量模型效果的重要因素，因此模型的損失函數(shù)由兩部分組成：

其中Lsim測(cè)量形變圖像M·Φ與固定圖像F之間的相似度，λ為正則化參數(shù)，正則化項(xiàng)Lsmooth保證形變場(chǎng)Φ的平滑性.

采用歸一化互相關(guān)（Normalized Cross Correlation，NCC）作為圖像的相似性度量Lsim：

在大小為n3的圖像塊上計(jì)算NCC，其中表示大小為n3的圖像塊中點(diǎn)p周圍的像素點(diǎn)，Ω即是大小為n3的空間域，NCC的值越高表明圖像之間的相似性越高，因此將損失函數(shù)中的相似度定義為L(zhǎng)sim（F，M，Φ）=-NCC（F，M·Φ）去不斷優(yōu)化網(wǎng)絡(luò)，但一味地追求最大化圖像相似性測(cè)度，網(wǎng)絡(luò)預(yù)測(cè)的形變場(chǎng)在圖像的局部區(qū)域會(huì)出現(xiàn)不連續(xù)的情況，對(duì)預(yù)測(cè)形變場(chǎng)的空間梯度使用擴(kuò)散正則化進(jìn)行平滑，以加強(qiáng)對(duì)局部小區(qū)域的敏感性.正則化項(xiàng)為：

其中Ω表示形變場(chǎng)圖像的空間域，p表示空間域內(nèi)的不同體素點(diǎn)，?Φ則表示相鄰體素之間的差異，用以近似空間梯度.

2 實(shí)驗(yàn)

2.1 實(shí)驗(yàn)數(shù)據(jù)集

實(shí)驗(yàn)采用的心臟圖像數(shù)據(jù)為2017年自動(dòng)心臟診斷挑戰(zhàn)賽（Automated Cardiac Diagnosis Challenge，ACDC）數(shù)據(jù)［18］.心臟磁共振電影成像是量化心臟功能和心臟運(yùn)動(dòng)狀態(tài)的重要成像手段之一，其時(shí)空分辨率足夠高，能夠在一次心動(dòng)周期內(nèi)連續(xù)采集心臟某個(gè)層面的多個(gè)相位影像，做到運(yùn)動(dòng)狀態(tài)下的成像追蹤.該數(shù)據(jù)包含150例不同患者的心臟Cine MR影像，100例為訓(xùn)練圖像，50例為測(cè)試圖像.5個(gè)病理組分別為：擴(kuò)張型心肌?。―ilated Cardiomyopathy，DCM）、肥厚型心肌?。℉ypertrophic Cardiomyopathy，HCM）、心肌梗塞（Myocardial Infarction，MINF）、右 心 異 常（Right Ventricle Abnormal，RVA）、以及正常心臟（Normal Case，NOR）.100例訓(xùn)練數(shù)據(jù)提供了每張圖像ED和ES時(shí)期的對(duì)應(yīng)幀時(shí)相，以及專家手動(dòng)分割的標(biāo)簽信息，將該100例訓(xùn)練數(shù)據(jù)用于網(wǎng)絡(luò)的訓(xùn)練和測(cè)試.

2.2 評(píng)價(jià)指標(biāo)

評(píng)價(jià)指標(biāo)采用配準(zhǔn)任務(wù)中常用的Dice系數(shù)（Dice Coefficient，Dice）和 豪 斯 多 夫 距 離（Hausdorff Distance，HD）作為衡量指標(biāo).Dice系數(shù)描述的是兩張圖像之間的重合程度，其值在0到1之間，計(jì)算方式為：

其中，EDlabel為舒張末期的標(biāo)簽圖像，ESwarped為形變標(biāo)簽圖像，Dice的值越高，表明形變圖像與固定圖像的重合度越高，配準(zhǔn)效果越好.而豪斯多夫距離常用以描述兩個(gè)點(diǎn)集之間的相似程度，在心臟運(yùn)動(dòng)估計(jì)任務(wù)中用以衡量預(yù)測(cè)值與真實(shí)值之間的表面距離，估計(jì)配準(zhǔn)前后圖像之間的差異，其計(jì)算方式為：

hd（EDlabel，ESwarped）表示從收縮期的標(biāo)簽圖像到形變標(biāo)簽圖像的單向豪斯多夫距離，T為收縮期標(biāo)簽圖像中的點(diǎn)集，P為形變標(biāo)簽圖像中的點(diǎn)集，||T-P||是點(diǎn)T到點(diǎn)P的歐式距離.

2.3 訓(xùn)練與測(cè)試

為了以分割標(biāo)簽量化心臟運(yùn)動(dòng)估計(jì)的結(jié)果，按照8∶2的比例將ACDC的訓(xùn)練數(shù)據(jù)集部分均勻劃分為心臟運(yùn)動(dòng)估計(jì)任務(wù)的訓(xùn)練集和測(cè)試集.由于主要關(guān)注左心區(qū)域，首先將所有圖像定位到左心室的中心，以此中心將圖像裁剪為80×80×16大小以包含到整個(gè)左心區(qū)域，以減少周圍其他區(qū)域帶來(lái)的干擾.網(wǎng)絡(luò)圖像對(duì)由ED和ES對(duì)應(yīng)的兩幀及兩幀之間的圖像構(gòu)成，訓(xùn)練時(shí)將圖像對(duì)拼接后輸入，學(xué)習(xí)率設(shè)置為1×10-4，正則化參數(shù)λ設(shè)置為1.0，epoch設(shè)置為100，訓(xùn)練過程使用Adam優(yōu)化器［19］，每次輸入圖像一對(duì)，STN通過訓(xùn)練產(chǎn)生的形變場(chǎng)將運(yùn)動(dòng)圖像扭曲與固定圖像作相似度比較.訓(xùn)練完成后對(duì)20名其他患者的數(shù)據(jù)進(jìn)行測(cè)試，挑選出測(cè)試數(shù)據(jù)中心臟ED圖像和ES圖像分別作為固定圖像F和運(yùn)動(dòng)圖像M，同時(shí)獲取其LV及LVM對(duì)應(yīng)的標(biāo)簽，將訓(xùn)練得到的形變場(chǎng)作用于心臟ES圖像的標(biāo)簽ESlabel，根據(jù)其形變后的圖像ESwarped與ED圖像的標(biāo)簽EDlabel分別計(jì)算LV及LVM對(duì)應(yīng)的Dice系數(shù)，度量其相似性.使用固定圖像F和運(yùn)動(dòng)圖像M計(jì)算配準(zhǔn)前的豪斯多夫距離，形變圖像M·Φ與固定圖像F計(jì)算配準(zhǔn)后的豪斯多夫距離，比較配準(zhǔn)前后的差異.為評(píng)估所采用方法的有效性，進(jìn)行五折交叉驗(yàn)證實(shí)驗(yàn)，訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)按均等比例隨機(jī)抽取.

2.4 實(shí)驗(yàn)環(huán)境

使用Pytorch框架構(gòu)建模型，操作系統(tǒng)為Windows 10，所有實(shí)驗(yàn)均在一張Nvidia GTX 2080Ti的GPU上實(shí)現(xiàn)，顯存為11 G.

3 實(shí)驗(yàn)結(jié)果及分析

在ACDC數(shù)據(jù)集的LV和LVM上測(cè)試，將本文提出的方法與VoxelMorph的不同版本Vm1、Vm2以及三層Unet模型Unet3，進(jìn)行實(shí)驗(yàn)比較.表1展示了不同配準(zhǔn)方法的Dice結(jié)果，可見所設(shè)計(jì)模型在LV上配準(zhǔn)精度約為87.4%，較Vm1模型提高1.4%，較Vm2模型提高1.1%，較三層Unet模型提高0.7%；在LVM上的配準(zhǔn)精度約為73.6%，較Vm1模型提高2%，1.7%，比三層Unet低0.1%；在整個(gè)左心區(qū)域的平均配準(zhǔn)精度為80.5%，較Vm1模型提高了1.7%，1.4%，較三層Unet提高0.3%.圖4的箱型圖以一種相對(duì)穩(wěn)定的方式描述數(shù)據(jù)的離散分布情況，使實(shí)驗(yàn)數(shù)據(jù)更加直觀.

圖4 不同配準(zhǔn)方法Dice結(jié)果箱型圖Fig.4 The Dice results box plot of different registration methods

表1 不同配準(zhǔn)方法在ACDC數(shù)據(jù)集上的左心室與左心肌的Dice配準(zhǔn)結(jié)果Tab.1 Test Diceresultsof left ventricleand left myocardiumof different registration methodson ACDCdataset

通過表1中的結(jié)果可以發(fā)現(xiàn)，心臟運(yùn)動(dòng)估計(jì)網(wǎng)絡(luò)在Dice上為最優(yōu)，在網(wǎng)絡(luò)參數(shù)量相比Vm1，Vm2模型僅有小幅提升，遠(yuǎn)小于Unet3模型，其開銷更小更加輕便，在心臟運(yùn)動(dòng)圖像配準(zhǔn)任務(wù)上具有較優(yōu)的性能.表2為不同配準(zhǔn)方法下的豪斯多夫距離測(cè)試結(jié)果，本文提出的心臟運(yùn)動(dòng)估計(jì)網(wǎng)絡(luò)在整個(gè)左心區(qū)域以6.011±1.924的最小豪斯多夫距離取得最優(yōu)效果，即配準(zhǔn)后的心臟圖像差異更小.

表2 五折交叉驗(yàn)證方法下的豪斯多夫距離Tab.2 Hausdorff Distance under the five-fold cross validation method /mm

圖5展示了不同病例在各方法下的形變圖像于左心室和左心室心肌外壁的輪廓匹配結(jié)果，每列分別對(duì)應(yīng)不同方法下產(chǎn)生的圖像輪廓.觀察發(fā)現(xiàn)各方法下的配準(zhǔn)結(jié)果差異較明顯，所提出的方法相較于其他方法在LV和LVM上與固定圖像的差異更小，圖中綠色輪廓為金標(biāo)準(zhǔn)，紅色輪廓為各方法下得到的輪廓，黃色箭頭指向變化明顯的區(qū)域.

為主觀性評(píng)價(jià)實(shí)驗(yàn)結(jié)果，圖6展示了不同方法下心臟運(yùn)動(dòng)估計(jì)的可視化結(jié)果，其中（a）為擴(kuò)張型心肌病DCM；（b）為肥厚型心肌病HCM；（c）為心肌梗塞MINF；（d）為右心異常RVA.每一類圖像中的第1列為對(duì)應(yīng)的M和F，第1行顯示產(chǎn)生的形變場(chǎng)，形變場(chǎng)以RGB圖像表示，對(duì)應(yīng)著xyz方向的偏移量.第2行顯示形變圖像，第3行顯示變形網(wǎng)格.紅色方框標(biāo)記形變圖像外觀差異較大的區(qū)域，可以發(fā)現(xiàn)在4類病例中，本文提出的方法產(chǎn)生的形變場(chǎng)更加豐富細(xì)膩，形變圖像最接近固定圖像，能夠捕獲更精確的細(xì)節(jié)，特別是在HCM和MINF兩類病例上，所提方法在運(yùn)動(dòng)特征估計(jì)方面有更優(yōu)的結(jié)果，詳細(xì)地保留了病理特征，在評(píng)估心臟狀態(tài)時(shí)至關(guān)重要.

由圖5和圖6，可以發(fā)現(xiàn)所提出的方法在保持圖像差異性更小的同時(shí)，達(dá)到了更高的配準(zhǔn)精度，能夠更好地完成心臟運(yùn)動(dòng)估計(jì).但仍然存在圖像鋸齒感較明顯的問題，這是由于圖像的分辨率低、紋理信息較粗糙造成的，未來(lái)工作將致力于通過多級(jí)預(yù)測(cè)不同分辨率下的形變場(chǎng)，進(jìn)一步提高配準(zhǔn)效果.

圖5 左心部位的輪廓匹配結(jié)果Fig.5 Theedge matchingresultsof left cardiac part

圖6 不同的心臟病例在不同方法下的配準(zhǔn)可視化結(jié)果Fig.6 Visualization resultsof registration under different methodsfor different cardiac disease cases

為驗(yàn)證所提出方法的有效性，比較不同模型的配準(zhǔn)性能，探討采樣方式、通道數(shù)對(duì)配準(zhǔn)性能的影響，對(duì)所設(shè)計(jì)的模型在相同的實(shí)驗(yàn)環(huán)境下進(jìn)行了一系列消融實(shí)驗(yàn).表3總結(jié)了所有的實(shí)驗(yàn)結(jié)果，并給出了各種方法在GPU上配準(zhǔn)一對(duì)圖像所需的時(shí)間，表中結(jié)果均為五折交叉驗(yàn)證實(shí)驗(yàn)下的最終統(tǒng)計(jì)結(jié)果.

表3中Pro代表本文提出的方法，Proa為通道數(shù)減半的模型，Prob為通道數(shù)縮小四倍的模型，對(duì)應(yīng)的Pro-s，Proa-s，Prob-s采用跨步卷積代替池化層提取特征.所提方法配準(zhǔn)每對(duì)圖像在6.693±0.391 ms內(nèi)，以0.805±0.081的Dice和6.011±1.924的HD獲得最佳的配準(zhǔn)結(jié)果.以上實(shí)驗(yàn)結(jié)果表明，心臟運(yùn)動(dòng)估計(jì)網(wǎng)絡(luò)在保持較低的運(yùn)動(dòng)估計(jì)誤差的同時(shí)，實(shí)現(xiàn)了更高的配準(zhǔn)精度.

表3 各方法在ACDC數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果Tab.3 Experimental results of different methods on the ACDCdataset

4 結(jié)語(yǔ)

通過將心臟運(yùn)動(dòng)估計(jì)問題轉(zhuǎn)化為數(shù)據(jù)驅(qū)動(dòng)下的學(xué)習(xí)任務(wù)，提出了一種端到端的基于無(wú)監(jiān)督學(xué)習(xí)的三維心臟運(yùn)動(dòng)估計(jì)網(wǎng)絡(luò)，實(shí)現(xiàn)了心臟運(yùn)動(dòng)估計(jì).通過平衡圖像相似性和形變場(chǎng)平滑度進(jìn)行訓(xùn)練，且不需要任何標(biāo)簽作為監(jiān)督信息.在ACDC數(shù)據(jù)集上的結(jié)果表明所提出的方法相較于現(xiàn)有的無(wú)監(jiān)督學(xué)習(xí)方法如VoxelMorph，運(yùn)動(dòng)估計(jì)誤差更小，配準(zhǔn)精度更高，可在開銷較小的情況下快速準(zhǔn)確地進(jìn)行心臟運(yùn)動(dòng)估計(jì).