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

Jul, 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

Closing the Gap between Deep and Conventional Image Registration using Probabilistic Dense Displacement Networks

Mattias P. Heinrich

TL;DR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。

Abstract

nonlinear image registration continues to be a fundamentally important tool in medical image analysis. Diagnostic tasks, image-guided surgery and radiotherapy as well as motion analysis all rely heavily on accura

nonlinear image registration medical image analysis deep learning methods displacement optimisation abdominal ct

发现论文，激发创造

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

无监督可变形图像配准的反向一致深度网络

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

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

用对抗性变形正则化训练图像配准神经网络

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

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

深度隐式优化用于鲁棒和灵活的图像配准

采用深度学习在图像配准中，该方法结合优化与学习方法，在深度网络中使用优化图层来训练预测多尺度密集特征图像，在特征空间中保证了自学习特征的配准最小值和瓦普函数，并具有良好的性能和通用性。

Jun, 2024

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

医学图像配准中的深度学习调查：新技术、不确定性、评估指标及未来发展

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

图像和曲面的概率差异同构配准的无监督学习

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