Mar, 2022

MICDIR：基于 UNetMSS 和自构建图潜变量的多尺度逆一致性可变形图像配准

PDF
TL;DR本文提出了三种改进 Voxelmorph 方法的方式，包括使用多尺度 UNet 集成模型、引入 SCGNet 对给定的成对图像进行模型构建和改进模型来使形变逆一致。将提出的方法应用于 MRI 脑注册任务中，得到了比 ANT 和 VoxelMorph 更好的结果。
发现论文，激发创造
  • 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

  • 多模态图像配准的弱监督卷积神经网络

    本文提出了一种基于卷积神经网络的方法，借助高水平结构对应信息（即解剖标记）推测像素变化，从而实现多模态图像对齐。结果表明，该方法具有广泛的适用性，可在训练过程中利用各种不同类型的解剖标记，并能实现实时自动化、无需标记或初始化的三维图像对齐。

    Jul, 2018

  • MrRegNet: 面向医学图像配准的多分辨率掩模引导卷积神经网络（不涉及专有术语或不必要解释）

    提出了一种名为 MrRegNet 的基于掩膜引导的编码器 - 解码器深度卷积神经网络（DCNN）图像配准方法，通过多分辨率编码器提取特征并在解码器中估计多分辨率位移场来处理图像的大变形，并使用分割掩膜指导模型的注意力对齐局部区域，实验结果证明该方法在公开的 3D 脑 MRI 数据集（OASIS）和局部 2D 脑 MRI 数据集上的大变形图像中优于传统方法（如 Demons）和知名的深度学习方法 VoxelMorph，尤其在由分割掩膜引导的局部区域图像配准准确性显著提高。

    May, 2024

  • mlVIRNET：多层次变分图像配准网络

    提出了一种基于深度学习的多层次方法来解决图像配准领域中传统方法存在的问题，将深度学习和多层次框架结合使用，特别是在呼吸道成像的配准中取得了显著的进展。

    Sep, 2019

  • 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

  • ACSGRegNet：基于深度学习的腰椎 CT 联合仿射和变形配准的无监督框架，通过交叉自注意融合实现

    该研究提出了一种新的基于深度学习的框架 ——ACSGRegNet，该框架通过集成交叉关注模块和自关注模块来实现无监督的仿射和差分变形配准，通过在脊柱 CT 图像上进行广泛的实验，已经取得了比现有方法更好的结果。

    Aug, 2022

  • CycleMorph: 无监督可变形图像配准的循环一致性方法

    本文提出了一种基于循环一致性的可变形图像配准方法，通过提供隐式正则化来保持变形过程中的拓扑性，解决了深度学习图像配准方法在拓扑性保留方面的缺陷。实验结果表明，所提出的方法在医学和非医学应用中的各种数据集上提供了有效和准确的图像配准，可在几秒钟内处理多样化的图像对。

    Aug, 2020

  • 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

  • 生成对抗网络用于 MR-CT 可变形图像配准

    本研究通过用 cycle-GAN 学习两个模态之间的强度关系，改善了 CT 和 MR 图像的配准问题，并探讨了使用 cycle-GAN 合成的图像减少空间信息对模式对位的影响。

    Jul, 2018

  • 模态无关的结构化图像表示学习用于可变形多模态医学图像配准

    基于多模态医学图像分析研究和图像引导放疗，本文提出了一种自主模态结构表示学习方法，利用深度邻域自相似性和解剖感知对比学习，以学习具有辨别性和对比不变性的深度结构图像表示，无需解剖规划或预先对齐训练图像，通过对多相 CT、腹部 MR-CT 和脑部 MR T1w-T2w 进行评估，全面结果表明，相对于传统的局部结构表示和基于统计的相似性度量，所提出的方法在辨别性和准确性上更出色。

    Feb, 2024