本文目录一览：
医学图像配准
图像配准时指对一幅图进行一定深度学习算法在医学图像中的应用的的几何变换映射到另一幅图中深度学习算法在医学图像中的应用，使得两幅图像中的相关点达到空间上的一致。
将施加变换的图像定义为浮动图像F深度学习算法在医学图像中的应用，另一幅不动的图像定义为参考图像R深度学习算法在医学图像中的应用，图像配准的本质是寻找一个空间变换T，使得
一般配准的步骤如下：
特征空间
特征空间指从参考图像和浮动图像中提取可用于配准的特征。根据特征可以归纳出两种方法：
搜索空间
搜索空间是指在配准过程中对图像进行变换的范围和方式。
搜索算法
图像配准要蚂橡在给定搜索空间上寻求相似性测度函数的最优解，搜索算法包括：
相似性度量
传统的基于强度的相似性度量包括平方和距离（sum-of-square distance，SSD）、均方距离（mean square distance， MSD）、归一化互相关（normalized cross correlation，NCC）和互信息（mutual information，MI）。
变换
常用的医学图像配准方法
基于互信息的图像配准
基于傅里叶变换的图像配准
傅里叶变换用于配准的原理：图像的平移不影响傅里叶变换的幅值，旋转相遇对其傅里叶变换做相同的旋转。
基于小波变换的图像配准
对两幅图像的伸缩、旋转、平移等转化为对其作小波分解后，两幅图近似分量的伸缩、旋转、平移。
基于深度学习的图像配准方法可以大致分为以下三类：深度相似性度量+迭代配准、有监督的变换估计和无监督的变换估计。
通过深度学习估计移动图片和基准图片的相似性度量，这个相似性度量会被插入到传统的配准框架内，进行迭代优化。
也有一些方法是基于强化学习方法，让一个被训练过的 agent 来代替优化算法进行配准。基于强化学习的配准通常用于适合刚性变换的模型。
有监督学习需要提供真实的变形场，也就是ground truth，网络输入为图像，输出为变换的参数。流程可以总结如下图。
对于有监督的学习，重要的是对用于网络训练的标签。许多人提出了用于生成变换的数据增强技术，大致可以分为三类：
Miao等人首先提出使用深度学习来预测刚性变换参数。他们使用 CNN 来预测 2D/3D 刚性配准的变换矩阵。他们提出了分层回归，其中六个变换参数被划分为三组，分别为平面内参数（ ）闷埋旁，平面外旋转参数（ ）， 平面外平移参数（ ）。网络输入为预定大小的ROI，网络结构是一个包括了卷积和全连接操作的回归器。训练期间要最小化的目标函数是欧几里得损失。
刚性变换需要6个参数来表示，而自由变形需要一个密集的变形向量场。
无监督学习可以很好的解决配准缺少有标签（有已知变换）图像的问题。
2015 年，Jaderberg 等人提出了空间变换网络 (spatial transformer network，STN)，它允许在网络内对数据进行空间操作，而且STN是一个可微分模块，可以插入到现有的 CNN 架构中。 STN 的发布启发了许多无监督的图像配准方法，因为 STN 可以在训练过程中进行图像相似度损失计算。
典型的 DIR（deformation image registration） 无监督变换预测网络以图像对作为输入，直接输出密集 DVF，STN 使用液族该 DVF 对运动图像进行变换曲。然后将扭曲的图像与固定图像进行比较以计算图像相似度损失。 DVF 平滑约束通常用于正则化预测的 DVF。
利用 GAN 的 discriminator 来进行相似性度量也近些年的一个思路[4]。
GAN 在医学图像配准中的使用通常可以分为两类：
深度学习是如何应用到图像处理中的，在医学图像分割中有何应用
可以现实中拿一个颜色,用PS去调准深度学习算法在医学图像中的应用的一样。3、训练出略高于大众深度学习算法在医学图像中的应用的审美观
如何使用深度学习分析医学影像
1、熟悉图像处理软件PS的所有工具。 2、对色彩的识辨准确。可以现实中拿一个颜色，用PS去调准的一样。册竖 3、训练出略段誉高于大众的审美观、颜色搭配观 4、多在网上看前辈的调色州燃大教程。
在医学影像的基础上通过深度学习与大数据技术等可以完成什么工作？
在医学影像的基础搜碧旦上，世扰通过深度学习与大数据技术，可以完成对慧团疾病的诊断发展的论述，以及对疾病的治疗等多种方式。
