图像和曲面的概率差异同构配准的无监督学习

Mar, 2019

图像和曲面的概率差异同构配准的无监督学习

Unsupervised Learning of Probabilistic Diffeomorphic Registration for Images and Surfaces

Adrian V. Dalca, Guha Balakrishnan, John Guttag, Mert R. Sabuncu

TL;DR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。

Abstract

Classical deformable registration techniques achieve impressive results and offer a rigorous theoretical treatment, but are computationally intensive since they solve an optimization problem for each image pair. Recently, →

deformable registration learning-based methods generative model convolutional neural networks brain registration

发现论文，激发创造

无监督学习快速概率形变配准

本文提出了一种基于概率生成模型和卷积神经网络的非监督学习方法，实现了高效且拓扑保持的形变配准，同时得到了不确定性估计。

May, 2018

可变形医学图像配准的无监督学习模型

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

学习可微同构配准的概率模型

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

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

图像配准度量学习

本文介绍了一种利用深度学习优化图像配准的方法，通过学习一个适应性正则化程序来控制变换的规则性，从而实现更好的结果输出。

Apr, 2019

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

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

基于标签驱动的弱监督学习用于多模态变形图像配准

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

通过优化引导的循环自训练实现无监督三维配准

本篇论文提出了一种基于自我训练的自监督学习方法，利用可微分的基于特征的优化器进行无监督匹配，通过不断迭代学习，得到更精确的结果，并在腹部和肺部配准方面实验表现比基于度量的监视方法更好，超越了各种最先进的竞争方法。

Jun, 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