Automatic brain labeling via multi-atlas guided fully convolutional networks
传统上，基于多图集的方法首先将多个图集注册到目标图像，然后将标签从标记的图集传播到未标记的目标图像。但是，配准步骤涉及非刚性对齐，这通常很耗时并且可能缺乏高精度。另外，基于补丁的方法在放宽对精确注册的需求方面已显示出希望，但它们通常需要使用手工制作的功能。最近，深度学习技术通过从训练图像中自动学习全面的外观特征，证明了其在图像标注中的有效性。在本文中，我们提出了一种用于自动图像标记的多图谱引导全卷积网络（MA-FCN），其目的是借助训练图集的先验知识进一步提高标记性能。具体来说，我们以基于补丁的方式训练我们的 MA-FCN 模型，其中输入数据不仅包含训练图像补丁，还包括其相邻（即最相似）的仿射对齐图集补丁的集合。来自相邻图集补丁的指导信息可以帮助提高学习的 FCN 的判别能力。
综述
基于多图集的方法可以分为两类：基于注册的方法和基于补丁的方法。基于配准的方法在配准步骤中首先将多个地图集与目标图像对齐，然后融合各个变形的地图集标签图，以获取标签中的最终标签。另一方面，基于补丁的方法在图像标记中引起了越来越多的关注，因为它们可以通过在本地搜索区域内探索几个相邻的补丁来减轻对高配准精度的需求，具体地，对于每个目标补丁，根据搜索区域内的补丁相似度，从仿射对准图集图像中选择相似补丁。然后，将那些选定的图集补丁的标签融合在一起以标记目标补丁。
方法
流程图说明了补丁采样和类似的图集补丁选择。 （顶部）我们对目标目标解剖区域的边界（例如红点）和内部（例如绿点）周围的斑块进行采样。 （底部）蓝色框代表所选色块，黄色框描绘其对应的搜索邻域。 对于每个目标强度补丁，我们确定其 K 个最相似的图集补丁。 然后，将每个选定的强度图集斑块与其相应的标签斑块相结合，以组成训练图谱数据（与目标训练斑块配对）。
总结
用 FCN 实现 patches 的配准。