Sep, 2018

无监督可变形图像配准的反向一致深度网络

PDF
TL;DR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。
deformable image registrationunsupervised deep learninginverse-consistent deep networkanti-folding constraintbrain magnetic resonance imaging
发现论文，激发创造
  • 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

  • 多步深度配准的构建反一致性

    提出了一种将神经网络逆一致化的简单技术，通过构建其结构，只要它将输出变换参数化为李群。将该技术扩展到多步神经注册，通过以保持逆一致性的方式组成许多这样的网络。我们在合成的 2D 数据和四个 3D 医学图像配准任务上评估了我们的技术，在确保逆一致性的同时获得了出色的配准精度。

    Apr, 2023

  • 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

  • MICDIR：基于 UNetMSS 和自构建图潜变量的多尺度逆一致性可变形图像配准

    本文提出了三种改进 Voxelmorph 方法的方式，包括使用多尺度 UNet 集成模型、引入 SCGNet 对给定的成对图像进行模型构建和改进模型来使形变逆一致。将提出的方法应用于 MRI 脑注册任务中，得到了比 ANT 和 VoxelMorph 更好的结果。

    Mar, 2022

  • 循环一致卷积神经网络无监督可形变图像配准

    本文介绍了一种基于深度神经网络和循环一致性的非监督医学图像配准方法，通过实验表明该方法能够在几秒钟内提供非常精确的三维图像配准，从而更准确地估计癌症大小。

    Jul, 2019

  • 卷积神经网络实现端到端无监督可变形图像配准

    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。

    Apr, 2017

  • 无监督图像配准以提高心脑图像分析的性能和可解释性

    本文提出了一种无监督深度学习配准方法，采用双向交叉模态图像合成提高正逆一致性，实现了跨不同 MRI 模态、时间和层面的解剖学变换，获得了优于基准方法的多模态脑部 2D 和 3D MRI 以及单模态心脏 4D MRI 数据实验结果。

    Mar, 2022

  • 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

  • 基于概率密集位移网络缩小深度与传统图像配准之间的差距

    提出了一种基于概率密度优化和深度学习的非线性医学图像配准方法，该方法通过近似最小卷积和平均场推断进行可微位移正则化，在少量标记的扫描中可实现较高准确度。

    Jul, 2019

  • 使用循环一致的隐式表示进行强健的可变形图像配准

    使用循环一致的隐式神经表示的可变形配准方法，通过生成多种变形估计和进行优化，改善了配准准确性，并提供了可用于自动质量控制的健壮的不确定度指标。

    Oct, 2023