Oct, 2021

使用对抗学习和蒸馏知识的轻量化可变形配准

PDF
TL;DR本文提出了一种新的轻量级可变形配准网络，使用对抗学习算法成功地将教师网络的有意义信息转移到了学生网络，同时在显著降低计算费用的同时达到了竞争性的准确性。
deformable registrationmedical procedureslearning-based methodsadversarial learningcomputational cost
发现论文，激发创造
  • 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

  • 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

  • 生成对抗式注册方法用于改进条件变形模板

    通过在生成敌对式登录框架中利用灵活的图像协变量 - 使得移动的模板更真实，作者重新制定了可变形模板，以获得更好的特异性和适应性，该模板能更好地拟合潜在的群体空间 - 时间趋势，并使解剖学结构更容易划分。

    May, 2021

  • 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

  • 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

  • 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

  • 通过自适应加权正则化和知识蒸馏增强低标签模式下的对抗鲁棒性

    关键词：对抗鲁棒性、半监督对抗训练、有标签数据稀缺、正则化项、知识蒸馏。摘要：本文研究了对抗鲁棒性的半监督对抗训练，探究了稀缺有标签数据情况下的两个鲁棒风险上界，并提出了正则化项以应用于无标签数据，最后通过半监督教师模型的知识蒸馏结合提出的正则化项进行半监督对抗训练算法。实验证明，相较于现有算法，我们提出的算法在性能方面取得了显著的提升，并且即使有限的有标签数据量，我们的算法仍能与使用所有标签数据的监督对抗训练算法相媲美，无论是在标准准确率还是在鲁棒准确率上，比如我们的算法只使用 8％的有标签数据时，在 CIFAR-10 数据集上与监督对抗训练算法相比表现接近。

    Aug, 2023

  • 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

  • 基于知识蒸馏的高效医学图像分割

    我们提出了一种高效的网络结构，通过从训练充分的医学图像分割网络中提炼知识来训练另一个轻量级网络，从而使得轻量级网络在保留其运行效率的同时，显著提高了其分割能力。通过使用我们为医学图像分割量身定制的新颖蒸馏模式，从教师网络向学生网络传递语义区域信息，避免了处理医学图像时遇到的模糊边界问题。在我们的实验中，轻量级网络的性能提高了 32.6％，同时在推理阶段保持了可移植性，并在 LiTS17 和 KiTS19 两个公认的公共 CT 数据集上进行了验证。

    Aug, 2021