ICCVAug, 2017

利用形态元素对组织学和磁共振图像的局部到整体配准

PDF
TL;DR本研究提出了一种新的自动化方法来有效进行组织学和 MRI 之间的多模式图像配准，通过对图像进行级线表示以达到对比度不变性，并通过提取切线获得的形状元素进行投影不变性编码，以识别两幅图像之间的公共曲线段
image registrationhistologymrimultimodal registrationbrain
发现论文，激发创造
  • 形变多模态图像配准用于光学测量与组织学图像的相关性

    利用深度学习技术，通过自动多模式图像配准方法，将快照乳房标本图像与对应的组织学图像进行对齐，以提高光学技术验证的准确性。

    Nov, 2023

  • 前列腺 MRI 和组织病理图像的弱监督配准

    该研究提出了一种弱监督的 MRI 和组织病理学图像的仿射和可变形配准方法，用于早期检测前列腺癌，可以减轻需要前列腺分割的负担，并取得了比其他方法更高的准确度。

    Jun, 2021

  • 神经影像数据的一次性联合提取、注册和分割

    本文研究了神经影像数据中的一次性联合提取、配准和分割问题，提出了一种统一的端到端框架 JERS，它利用一个标记的模板图像和一些未标记的原始图像进行训练，通过自监督相互增强来优化提取、配准和分割任务。实证结果表明，我们提出的方法在提取、配准和分割任务中表现出色。

    Jul, 2023

  • 通过生成对抗网络在小样本大小设置中进行显微镜和磁共振成像之间的风格转移

    MRI 扫描的磁共振成像和显微成像的跨模态增强具有潜力，可以在没有侵入性活检程序的情况下进行组织病理学分析。本文测试了一种使用条件生成对抗网络（cGAN）架构从 MRI 扫描中生成微观组织学图像的方法。该方法通过训练配对的图像转换模型，将 MRI 扫描和显微镜图像集合起来。通过可靠地合成胼胝体的组织学图像，这项技术突显了网络在训练高分辨率组织学图像和相对较低分辨率 MRI 扫描方面的能力。该工具的最终目标是避免活检，可用于教育目的。

    Oct, 2023

  • 野外匹配：学习用于多模态图像的解剖嵌入

    为了解决不同 FOV 的图像对齐问题，本文提出了一种名为 Cross-SAM 的新方法，该方法利用嵌入学习和 CT-MRI 注册的迭代过程，以实现跨模态匹配，并在 CT-MRI 仿射注册数据集上表现出鲁棒性，明显优于其他方法，达到了最先进的性能。

    Jul, 2023

  • 多器官分割的形状感知补充任务学习

    本研究旨在基于器官特异性形态先验学习的角度来解决全身 CT 扫描中的多器官分割问题，提出了两项互补任务 —— 距离图回归和轮廓图检测 —— 以明确编码每个器官的几何特性，并在公共数据集上评估所提出的解决方案，对比实验结果表明，互补任务学习的加入在 Dice 评分方面达到了显著改进.

    Aug, 2019

  • 多染色整切片图像基于细胞核位置的点集配准

    本文以基于核定位的点集注册方法为基础，针对多染色 WSIs 进行局部非刚性注册，以实现核级别的分组分析和蛋白质标记的上下文分析，通过对 HYRECO 数据集进行评估并与其他已建立的注册算法进行比较，表明该方法在核级别的注册上具有优越性。

    Apr, 2024

  • 基于深度学习的组间配准用于胶质瘤纵向 MRI 分析

    本研究提出了一种纵向、基于学习的、集群式的 MRI 图像配准方法，可以在不到一分钟的时间内完成高质量的配准，提供了一种替代传统工具箱的新途径，以更准确地量化并了解神经胶质瘤的生长。

    Jun, 2023

  • SegmentAnyBone：MRI 上任意位置通用骨骼分割模型

    我们提出了一种通用的深度学习模型，用于对 MRI 骨骼进行分割，可在多个标准 MRI 位置进行全自动分割，并提供提示式分割。

    Jan, 2024

  • 用于分割模型训练的下丘脑及其子区域的高分辨率分割

    通过使用合成图像构建的标签图，我们提供了一个由高分辨率离体磁共振成像构成的数据集，该数据集可以用于开发使用合成数据的脑结构分割方法。

    Jun, 2024