Jun, 2021

具有条件变形卷积神经网络的图像配准

PDF
TL;DR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。
发现论文，激发创造
  • 使用卷积神经网络进行快速对称形变图像配准

    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

  • 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

  • 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

  • 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

  • 卷积神经网络实现端到端无监督可变形图像配准

    本文提出了一种卷积神经网络的深度学习应用，利用无监督优化相似度指标完成非迭代式的图像配准，具备传统配准方法一样高的精度，且实现时间大幅度缩短。

    Apr, 2017

  • 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

  • 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

    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。

    Jul, 2019

  • 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

  • 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

  • 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