循环一致卷积神经网络无监督可形变图像配准
本文提出了一种基于循环一致性的可变形图像配准方法,通过提供隐式正则化来保持变形过程中的拓扑性,解决了深度学习图像配准方法在拓扑性保留方面的缺陷。实验结果表明,所提出的方法在医学和非医学应用中的各种数据集上提供了有效和准确的图像配准,可在几秒钟内处理多样化的图像对。
Aug, 2020
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
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
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。
Sep, 2018
本文提出了一种基于深度学习的框架,联合学习图像配准和图像分割网络,在考虑到现有分割数据的情况下,同时提高分割和配准的准确性,并利用配准产生的数据增强对分割网络进行训练,实现在有限的训练数据集上训练高质量的模型。在膝盖和脑部 MRI 图像上,与以往研究相比,我们的方法具有更高的分割和配准准确度,且只需用一张标记图像就可实现 2.7% 和 1.8% 的 Dice 分数提升。
Apr, 2019
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
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
该研究论文提出了一种新的无监督学习方法,使用卷积神经网络在端到端框架下进行三维医学图像配准,通过三个创新技术组件实现高性能,并且实验证明其在医学图像配准方面优于传统的基于优化的方法。
Feb, 2019
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