图像配准度量学习
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
该研究提出了使用对抗学习的方法,在代替传统的位移平滑测量方法的同时,利用生物力学模拟来规范弱监督的标签驱动的图像配准网络,以配准前期磁共振成像(MRI)和三维术中经直肠超声成像(TRUS)。研究表明,该方法可以帮助预测具有物理合理性的变形,而不需要用到其他平滑度惩罚。
May, 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
过去十年来,深度学习技术在医学图像配准领域取得了很大进展。本文对深度学习技术在图像配准中的最新进展进行了综合概述,包括网络结构、损失函数、注册不确定性估计方法和评估指标等方面,并探讨了这些新技术在医学影像中的实际应用和未来前景。
Jul, 2023
该研究提出了一种名为HyperPredict的方法,它使用多层感知器在没有标记数据的情况下评估超参数的影响并选择最佳值,以选择特定图像对的最佳超参数进行注册,该方法在脑部医学影像数据集上表现出良好性能。
Mar, 2024