ICCVJul, 2019

递归级联网络用于无监督医学图像配准

PDF
TL;DR本文介绍了一种名为递归级联网络（recursive cascaded networks）的通用体系结构，可用于可变形图像配准。所提出的体系结构设计简单，可以建立在任何基础网络之上。整个系统是端到端的，并以无监督的方式共同训练。我们在 3D 医学图像上评估了我们的方法，在性能上表现出一致、显著的提高，并且优于最先进的方法。该方法的性能与级联的数量成正比，缺乏极限。
recursive cascaded networksdeformable image registrationunsupervised learning3d medical imagesperformance improvement
发现论文，激发创造
  • 基于深度学习的胎儿脑 MRI 无监督分割及级联配准

    基于多阶段深度学习及多图谱分割，提出了一种无监督分割方法实现胎儿脑磁共振图像的精确分割，无需标记数据进行训练，达到了与 nnU-Net 相似性能和推断时间。

    Jul, 2023

  • 循环一致卷积神经网络无监督可形变图像配准

    本文介绍了一种基于深度神经网络和循环一致性的非监督医学图像配准方法，通过实验表明该方法能够在几秒钟内提供非常精确的三维图像配准，从而更准确地估计癌症大小。

    Jul, 2019

  • 可变形图像配准的循环注册神经网络

    采用递归对齐的方式，使用循环注册神经网络计算每个元素的局部变形，最终的空间对齐由所有局部变形的总和得到；使用该方法可以检测图像中非对齐的区域并学习如何适当地进行本地注册。在用于肺部磁共振图像的实验中，该方法与当前标准的参数化 B 样条配准方法相比，准确性不相上下，但给出了更紧凑的变换表示，并且加速了约 15 倍。

    Jun, 2019

  • 无监督表面配准的多视角循环对齐网络

    本文提出一种基于刚性变换的非刚性配准算法，通过可微分的损失函数进行监督学习，并在多个数据集上的实验结果表明其优于现有最先进算法。

    Nov, 2020

  • 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

  • 金字塔注意力网络用于医学图像配准

    我们提出了金字塔注意力网络（PAN）用于可变形医学图像配准，通过引入双流金字塔编码器和局部多头注意力变换器实现特征表示和分析运动模式，取得了较好的配准性能。

    Feb, 2024

  • HNAS-reg：用于可变形医学图像配准的分层神经架构搜索

    这篇论文提出了一个层次化的 NAS 框架（HNAS-Reg），通过卷积操作搜索和网络拓扑搜索，寻找最优网络结构用于可变形医学图像配准，实验证实该方法相比传统方法和两种无监督学习方法，在配准准确性和模型大小方面有明显的改进。

    Aug, 2023

  • 无需训练数据的基于自监督全卷积网络的非刚性图像配准

    本文提出了一种新型的基于卷积神经网络的非刚性图像配准算法，通过优化和学习不同尺度下的空间变换以及卷积神经网络，实现了对 3D 结构脑磁共振图像更好的配准效果。

    Jan, 2018

  • 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

  • 医学图像配准的循环推理机

    通过提出一种名为 RIIR 的新型图像注册方法，该方法将深度学习技术应用于医学图像注册中，提高了注册准确性和数据利用效率。

    Jun, 2024