AAAINov, 2017

基于扩张卷积神经网络的多智能体 2D/3D 医学图像配准

PDF
TL;DR该论文提出了一种多智能体系统和自注意力机制相结合的方法，将 2D / 3D 图像配准作为马尔可夫决策过程来解决，通过多个基于全卷积网络的智能体的提案及对应置信度的加权来取得了超过基于单智能体和基于优化方法的最新技术的优异成果。
发现论文，激发创造
  • 基于级联的三维全卷积网络在医学图像分割中的应用

    通过在多个解剖结构 (从大器官到细小血管) 的计算机断层扫描手动标记的数据上训练多分类的三维卷积神经网络，该研究展示了基于三维全卷积神经网络的医学图像语义分割的实现和鲁棒性的突破，所提出的粗略到精细的两阶段方法达到了最先进水平。

    Mar, 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

  • 用于腹部多器官分割的多尺度金字塔 3D 全卷积网络

    本文提出一种新的方法通过采用自动上下文来利用多尺度堆叠 3D FCN 金字塔，从而提高分辨率执行语义分割。 我们在手动注释的 377 个胃手术的 CT 影像数据集上训练和验证模型，并获得近 90％的 Dice 分数。

    Jun, 2018

  • 基于可变形卷积网络的大规模乳腺 X 光计算机辅助诊断

    本文介绍了一种基于 R-FCN/DCN 神经网络架构的新型乳腺 X 光的深度学习方法，应用于乳腺癌的检测。经过训练和测试，该方法在竞争环节中的 DREAMS 挑战中表现出色，取得了 0.879 的 ROC 曲线下面积，优于其他任何提交的结果。

    Feb, 2019

  • 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

  • 一种用于图像强注册的人工智能代理

    在医疗应用中，我们提出了一种新的基于策略学习的 3D 图像配准方法，该方法通过深度 CNN 学习最优运动序列来实现图像对齐，该方法在两个医疗图像配准实验中表现出比现有方法更高的准确性和鲁棒性。

    Nov, 2016

  • 多模态图像配准的弱监督卷积神经网络

    本文提出了一种基于卷积神经网络的方法，借助高水平结构对应信息（即解剖标记）推测像素变化，从而实现多模态图像对齐。结果表明，该方法具有广泛的适用性，可在训练过程中利用各种不同类型的解剖标记，并能实现实时自动化、无需标记或初始化的三维图像对齐。

    Jul, 2018

  • 三维医学图像融合与可变形交叉注意力

    创新的无监督特征互学习融合网络用于融合三维磁共振成像（MRI）和正电子发射断层成像（PET）图像，提高医生和研究人员的信息获取能力，并在性能度量方面优于传统二维图像融合方法。

    Oct, 2023

  • X 射线到 CT 图像融合的全可微相关驱动 2D/3D 配准

    我们提出了一种新颖的全可微相关驱动网络，使用双分支 CNN-transformer 编码器从图像中提取并分离低频全局特征和高频局部特征，同时采用了基于嵌入信息的相关驱动损失进行特征分解，并使用了学习逼近凸形相似函数的训练策略。在内部数据集上的测试结果表明，我们的方法优于现有的全可微学习注册方法和传统的基于优化的基准线。

    Feb, 2024

  • 金字塔注意力网络用于医学图像配准

    我们提出了金字塔注意力网络（PAN）用于可变形医学图像配准，通过引入双流金字塔编码器和局部多头注意力变换器实现特征表示和分析运动模式，取得了较好的配准性能。

    Feb, 2024