CVPRJun, 2022

通过梯度反变一致性实现近似微分同胚

PDF
TL;DR该研究提出了一种利用神经网络实现医学图像配准的方法，通过反向一致性惩罚促进转换规则性，并使用 'GradICON' 作为正则化器，从而在多种真实医学图像数据集上实现了最先进的配准精度。
medical image registrationspatial transformationsneural networkimplicit regularizationgradicon
发现论文，激发创造
  • 透过反向一致性学习规则地图

    探索通过逆一致性损失和随机离散插值结合的深度网络进行空间变换来获得映射的规则性，并且发现使用这种方法可以在不需要良好正则化器的情况下获得规则的映射，同时达到注册性能竞争力。

    May, 2021

  • 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

  • uniGradICON: 医学图像配准的基础模型

    传统的医学图像配准方法通过优化转换模型的参数来实现，近期的深度配准网络非常快速且准确，但只适用于特定任务，本研究提出了 uniGradICON 模型，实现了对于多个数据集的优秀性能、适用于不同获取方式、解剖区域和模态的新配准任务的零样本能力，并提供了对于分布之外的配准任务的强大初始化，将学习型和传统的非深度学习方法的优势结合起来。

    Mar, 2024

  • 多步深度配准的构建反一致性

    提出了一种将神经网络逆一致化的简单技术，通过构建其结构，只要它将输出变换参数化为李群。将该技术扩展到多步神经注册，通过以保持逆一致性的方式组成许多这样的网络。我们在合成的 2D 数据和四个 3D 医学图像配准任务上评估了我们的技术，在确保逆一致性的同时获得了出色的配准精度。

    Apr, 2023

  • 图像到图像转换的半监督范式 —— 变换一致性正则化

    本研究提出了一种基于几何变换的一致性约束正则化半监督图像翻译算法，在图像着色、去噪和超分辨率等数据敏感任务中，表现出仅需约 10-20% 有标注样本数量就能与标注样本量一样优秀的表现，同时可在视频处理任务中大幅提升质量。

    Jul, 2020

  • 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

  • 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

    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。

    Mar, 2022

  • 使用循环一致的隐式表示进行强健的可变形图像配准

    使用循环一致的隐式神经表示的可变形配准方法，通过生成多种变形估计和进行优化，改善了配准准确性，并提供了可用于自动质量控制的健壮的不确定度指标。

    Oct, 2023

  • 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

  • 无监督图像配准以提高心脑图像分析的性能和可解释性

    本文提出了一种无监督深度学习配准方法，采用双向交叉模态图像合成提高正逆一致性，实现了跨不同 MRI 模态、时间和层面的解剖学变换，获得了优于基准方法的多模态脑部 2D 和 3D MRI 以及单模态心脏 4D MRI 数据实验结果。

    Mar, 2022