卷积神经网络实现端到端无监督可变形图像配准

Apr, 2017

卷积神经网络实现端到端无监督可变形图像配准

End-to-End Unsupervised Deformable Image Registration with a Convolutional Neural Network

Bob D. de Vos, Floris F. Berendsen, Max A. Viergever, Marius Staring, Ivana Išgum

TL;DR本文提出了一种卷积神经网络的深度学习应用，利用无监督优化相似度指标完成非迭代式的图像配准，具备传统配准方法一样高的精度，且实现时间大幅度缩短。

Abstract

In this work we propose a deep learning network for deformable image registration (DIRNet). The DIRNet consists of a convolutional neural network (ConvNet) regressor, a spatial transformer, and a resampler. The C

deep learning image registration convolutional neural network unsupervised optimization displacement vector field

发现论文，激发创造

一种用于非监督仿射和可变形图像配准的深度学习框架

通过使用深度学习，我们提出了一种无需预定义注册示例的机制来进行医学图像分析中的图像注册，包括仿射和可变形图像注册，性能可与传统图像注册相当，但速度快了几个数量级。

Sep, 2018

使用卷积神经网络进行快速对称形变图像配准

本研究提出了一种新颖、高效的非监督对称图像配准方法，通过在微分同胚映射空间内最大化图像之间的相似度，同时估计正向和反向变换来实现高精度的配准，同时保持所需的微分同胚特性。

Mar, 2020

无监督可变形图像配准的反向一致深度网络

该研究提出了一种基于无监督深度学习的反变换一致性深度网络（ICNet）用于可变形图像配准，该方法使用反变换一致性和抗折叠约束以实现转换的微分同胚性，并在脑磁共振成像领域具有优越的性能。

Sep, 2018

一种用于无监督可变形图像配准的轻量级残差网络

使用改进的卷积神经网络进行体积图像配准，提供增强的感受野，减少参数并在受限的训练数据集上取得与基于 Transformer 方法相当甚至稍好的性能。

Jun, 2024

无需训练数据的基于自监督全卷积网络的非刚性图像配准

本文提出了一种新型的基于卷积神经网络的非刚性图像配准算法，通过优化和学习不同尺度下的空间变换以及卷积神经网络，实现了对 3D 结构脑磁共振图像更好的配准效果。

Jan, 2018

使用深度自监督全卷积网络进行非刚性图像配准

本文提出了一种基于全卷积网络优化并学习图像之间空间变换的新型非刚性图像配准算法，实现了多分辨率下空间变换和网络学习的联合优化，并且在注册 3D 结构性脑磁共振（MR）图像方面表现比最先进的图像配准算法更好。

Sep, 2017

MrRegNet: 面向医学图像配准的多分辨率掩模引导卷积神经网络（不涉及专有术语或不必要解释）

提出了一种名为 MrRegNet 的基于掩膜引导的编码器 - 解码器深度卷积神经网络（DCNN）图像配准方法，通过多分辨率编码器提取特征并在解码器中估计多分辨率位移场来处理图像的大变形，并使用分割掩膜指导模型的注意力对齐局部区域，实验结果证明该方法在公开的 3D 脑 MRI 数据集（OASIS）和局部 2D 脑 MRI 数据集上的大变形图像中优于传统方法（如 Demons）和知名的深度学习方法 VoxelMorph，尤其在由分割掩膜引导的局部区域图像配准准确性显著提高。

May, 2024

具有条件变形卷积神经网络的图像配准

本文提出一种用于深度可变形图像配准的新的有条件图像配准方法和自监督学习范式，通过学习与正则化超参数相关的条件特征，论文证明了单个深度卷积神经网络能够捕捉任意超参数的最优解，并且所得到的变形场平滑度可以在推理过程中以任意强度已调，大规模脑 MRI 数据集的丰富实验结果表明，该方法可实现对变形场平滑度的精确控制，同时不会牺牲运行时间的优势或配准准确性。

Jun, 2021

可变形医学图像配准的无监督学习模型

本文提出了一种基于学习的算法，用于变形、两两匹配的三维医学图像注册，通过使用卷积神经网络（CNN）模型并利用一个空间变换层，从而实现快速计算新的扫描成像时的配准场，且无需监督信息。我们可以在不破坏匹配场平滑性的前提下，底层地在一张图像中重构另一张图像，并在实践中将其速度提高数个数量级以上，从而有望显著加速医学图像分析和处理管道的速度，同时促进学习医学图像配准及其应用的新方向。

Feb, 2018

3DRegNet：一种用于三维点云配准的深度神经网络

介绍了 3DRegNet 技术，它是一种用于三维扫描配准的深度学习架构，基于点对应关系分类为内点 / 外点，回归运动参数，提供了两种替代方案，并提出了一种改进方法。该方法在两个数据集上对比了多个基线算法，包含源代码。

Apr, 2019