Jan, 2021

HyperMorph：图像配准的摊余超参数学习

PDF
TL;DRHyperMorph 是一种学习的策略，可以用于可变形图像配准，其中使用摊销的超参数学习框架来学习超参数对形变场的影响。该方法可以通过单一的模型捕获具有连续内部的超参数值来加快计算速度，降低计算负担，并提高灵活性。
hypermorphdeformable image registrationlearning-based methodshyperparametersamortized hyperparameter learning
发现论文，激发创造
  • HyperPredict：对可变形图像配准中实例特定正则化的超参数效果进行估计

    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

  • GSMorph：基于梯度的手术对 cine-MRI 心脏变形配准的应用

    本文提出一种基于梯度手术机制的注册模型 GSMorph，实现多重损失的超参数自由平衡，在两种公开的心脏 MRI 数据集上实现了优于五种 SOTA 学习型注册模型和两种传统注册技术 SyN 和 Demons 的注册精度和平滑度。

    Jun, 2023

  • VoxelMorph：用于可形变医学图像配准的学习框架

    VoxelMorph 是一个快速的用于变形匹配的学习框架，可加速医学图像分析和处理管道，我们探索了两种不同的训练策略并演示了其准确性和速度优势。

    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

  • 学习基于物理启发的超网络的医学图像配准正则化

    使用 HyperMorph 框架，学习线性弹性正则化器的两个弹性参数对空间变形场的影响，从而在测试时间发现适合数据的物理参数。

    Nov, 2023

  • 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

  • 自适应图像配准：融合深度学习和优化函数的混合方法以提升精度

    本研究旨在将学习方法和优化方法结合，使用学习方法的输出作为优化的初始参数，并根据图像对的损失进行计算，从而在保持相同推理时间和形变场平滑度仅降低 0.8% 的情况下，通过使用最佳性能的先进模型作为框架的骨干，在测试中获得了 0.3% 的改进。

    Nov, 2023

  • EfficientMorph：高参数效率的基于 Transformer 的三维图像配准架构

    EfficientMorph 是一种基于 transformer 的无监督三维图像配准架构，通过平面注意机制优化本地和全局注意的平衡，通过级联组注意减少计算冗余，并通过 Hi-Res 令牌化策略捕捉细节，同时保持计算效率，在 OASIS 数据集上创下了 16-27 倍少参数的性能新纪录。

    Mar, 2024

  • 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

  • 通过关键点实现多模态配准的稳健且可解释的深度学习框架

    KeyMorph 是一种基于深度学习的图像配准框架，其利用检测到的对应关键点获取最佳变形，以及解决了目前图像配准中的一些问题。该框架在多模式脑 MRI 扫描的 3D 仿射和样条配准中展现出了超越当前最先进方法的准确性。

    Apr, 2023