CVPRMar, 2022

基于粗到细视觉变换器的仿射医学图像配准

PDF
TL;DR本文提出一种快速且鲁棒的学习算法 C2FViT 用于 3D 医学图像配准，其应用了视觉 Transformer、多分辨率策略和联合仿射非参数配准进行学习，相对于现有的基于 CNN 的仿射配准方法在准确度、鲁棒性和泛化能力上均具优越性，同时保留了基于学习的方法的运行速度优势。
affine registrationconvolutional neural networksaffine transformation matrixmedical image registrationcoarse-to-fine vision transformer
发现论文，激发创造
  • 非迭代的粗粒到细粒变换网络用于联合仿射和可变形图像配准

    本研究提出了一种非迭代粗到精变换网络 (NICE-Trans) 用于图像配准，它是第一种在单个网络中执行联合仿射和可变形的粗到精变换的深度配准方法，并将 Transformer 嵌入到 NICE 配准框架中以建模图像之间的远程相关性。通过与七个公共数据集的广泛实验表明，我们的 NICE-Trans 在配准精度和运行时间上优于现有的配准方法。

    Jul, 2023

  • ViT-V-Net: 用于无监督容积医学图像配准的视觉变换器

    该论文提出了一种基于 ViT 和 ConvNets 的新架构 ViT-V-Net，实现了类医学图像的体积重建。实验结果表明，该方法在图像配准任务中具有优异的性能。

    Apr, 2021

  • 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

  • TransMorph: 无监督医学图像配准的 Transformer 模型

    本文提出了 TransMorph，一种混合了 Transformer-ConvNet 模型的医学图像配准方法，并通过验证证明，该方法在医学图像配准方面性能显著优于基线方法，从而证实了 Transformer 在医学图像配准方面的有效性。

    Nov, 2021

  • C2FTrans: 用于医学图像分割的粗 - 细双向变换器

    本文提出了一种新颖的多尺度架构 C2FTrans，它将医学图像分割形式化为粗 - 细过程。其中包含了一个跨尺度全局 Transformer 和一个边界感知局部 Transformer，能够在保持精细的同时降低计算复杂度，并在三个公共数据集上展现了超过现有 CNN 和基于 Transformer 的方法的表现。

    Jun, 2022

  • Aladdin: 基于成对对齐的联合 Atlas 建模和差异正态对齐学习

    通过卷积神经网络同时预测畸变图和恒定速度场参数化，利用成对图像对齐损失以提高医学图像配准精度，实现了 3D 膝关节磁共振成像的快速、端到端训练和测试，且表现优于其他同类算法。

    Feb, 2022

  • 一种用于无监督可变形图像配准的轻量级残差网络

    使用改进的卷积神经网络进行体积图像配准，提供增强的感受野，减少参数并在受限的训练数据集上取得与基于 Transformer 方法相当甚至稍好的性能。

    Jun, 2024

  • 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

  • 无监督三维端到端医学图像配准与体积缓动网络

    该研究论文提出了一种新的无监督学习方法，使用卷积神经网络在端到端框架下进行三维医学图像配准，通过三个创新技术组件实现高性能，并且实验证明其在医学图像配准方面优于传统的基于优化的方法。

    Feb, 2019