Sep, 2021

用于快速同胚图像配准的 Nesterov 加速 ADMM

PDF
TL;DR本文提出了一种使用简单的迭代方案和基于 Nesterov 梯度下降和多重乘法交替方向法的快速算法解决难以处理的大形变的非静止速度场，同时利用 GPU 加速实现加速 ADMM 求解器，优于基于深度学习的和迭代 DiffIR 方法，并在精度方面取得了更好的表现。
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

  • 快速预测图像配准

    本研究提出了一种基于图像外观的补丁级信息来预测图像变形的方法，通过设计一个深度编码器 - 解码器网络来学习图像外观与图像配准参数之间的像素 / 体素映射，特别针对 LDDMM，通过预测 LDDMM 动量参数化，使计算时间大幅减少。同时，我们创建了贝叶斯概率版本的网络，允许在测试时间使用 dropout 的蒙特卡罗采样来评估变形场的不确定性。

    Jul, 2016

  • 用于约束微分同胚图像配准的不精确 Newton-Krylov 算法

    本文提出求解大变形微分同胚图像配准问题的数值算法，将非刚性图像配准问题形式化为最优控制问题，使用 PDE 约束优化问题，通过在速度场上使用 Tikhonov 正则化技术增加正则化约束，使用 Fourier 和 Chebyshev 伪谱方法进行空间和时间离散化，并通过参数连续方法估计最优正则化参数，提出的牛顿 - Krylov 法与全局化预处理梯度下降相比表现出更好的数值精度和计算效率。

    Aug, 2014

  • FireANTs：自适应黎曼优化用于多尺度同胚配准

    本文提出了基于多尺度自适应黎曼优化算法的可微分图像配准，该算法在结构和地标覆盖度量上显示出了令人信服的改进，并在现有算法的基础上加速了 300 倍至 2000 倍。

    Apr, 2024

  • 联合仿射和非参数图像配准的网络

    本文介绍了一种基于深度学习框架的三维医学图像配准方法，结合仿射配准和向量动量参数固定速度场（vSVF）模型，具有速度快、精度高、可对称变换等特点，在磁共振成像方面表现出了优异的性能。

    Mar, 2019

  • AA-DLADMM：一种基于加速 ADMM 的深度神经网络训练框架

    提出了一种名为 AA-DLADMM 的算法，它使用了 Anderson 加速以改进 ADMM 优化算法的收敛速度，通过在四个基准数据集上进行广泛实验证明了该算法的有效性和效率。

    Jan, 2024

  • 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

  • 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

  • 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

  • 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