无监督学习快速概率形变配准
本研究提出了一种基于图像外观的补丁级信息来预测图像变形的方法,通过设计一个深度编码器-解码器网络来学习图像外观与图像配准参数之间的像素/体素映射,特别针对LDDMM,通过预测LDDMM动量参数化,使计算时间大幅减少。同时,我们创建了贝叶斯概率版本的网络,允许在测试时间使用dropout的蒙特卡罗采样来评估变形场的不确定性。
Jul, 2016
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
VoxelMorph是一个快速的用于变形匹配的学习框架,可加速医学图像分析和处理管道,我们探索了两种不同的训练策略并演示了其准确性和速度优势。
Sep, 2018
提出了一种基于概率的低维形变模型,可用于图像配准和形变分析,具有对比形变、生成正常或病态形变的能力,以及在多种图像对之间传输形变的能力。在三维心脏Cine-MRIs上的实验结果显示出本方法目前显示了最先进的性能。
Dec, 2018
本文介绍一种基于概率生成模型和卷积神经网络的无监督学习算法,该算法融合了经典形变配准技术的思想,达到了先进的精度和速度,并提供拓扑保持的注册保证。作者在3D脑部配准任务上进行了广泛的实证分析。
Mar, 2019
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
本研究提出了一种基于深度学习的Laplacian金字塔图像注册网络,可以在差分同胚映射空间内以逐层逼近的方式解决图像配准优化问题,并在两个MR脑扫描数据集上得出了比现有方法更优越的结果,同时保持理想的差分同胚性和良好的配准速度。
Jun, 2020
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
该文介绍了一种新型、通用且准确的变形图像配准框架,该框架利用了神经普通微分方程来实现,可以应用于医学图像分析领域,使用深度神经网络来模拟动态系统,实现了图像之间的配准,并且可以同时使用多张图像,采用一致的变换方法。
Aug, 2021