学习可微同构配准的概率模型
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
本文提出了一种统一的概率模型,用于学习成像数据的潜在空间并执行监督回归,利用 VAE 和神经网络回归器的联合正则化可以更精确地预测 MR 图像的年龄,实现了对人脑结构发育规律的直观解释。
Apr, 2019
本文介绍了一种基于神经网络和自动编码器的新型框架 —— 网格变分自编码器来研究分析具有形变的 3D 网格,通过在概率潜空间中探索 3D 表面,既可以代表 3D 动画序列,也可以代表同一类别的对象集合,具有大规模非线性形变的多样形状,广泛的实验表明我们的方法可以实现不同的形状性能,如形状生成、形状内插,形状空间嵌入和形状探索,取得了超越最先进方法的结果。
Sep, 2017
采用标签驱动式表达,利用卷积神经网络的密集位移场,通过最小化变形移动标签和固定标签的交叉熵函数,使医学图像的标志物在不同模态之间匹配,改进了医学图像的对齐性。
Nov, 2017
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
本文提出了一种新颖的生成静态和关节 3D 资产的方法,其中核心是一个 3D 自解码器框架,将目标数据集中学习到的属性嵌入潜在空间,然后通过解码来渲染具有一致性的外观和几何体积表示;在不需要摄像头信息的情况下,通过学习来进行更加高效的训练,实现了在各种基准数据集和指标上超越同类别替代方法的影响力。
Jul, 2023