Jun, 2022

XMorpher：通过交叉注意力的全 Transformer 用于可变形医学图像配准

PDF
TL;DR提出了一种名为 XMorpher 的转换网络用于医学图像变形注册任务，在该网络中，引入了全新的 Transformer 模块和注意力机制，能够逐渐提取各自的特征和发现语义对应关系，从而实现有效的变形注册。
deformable medical image registrationdeep learningbackbone networktransformer architecturecross attention
发现论文，激发创造
  • EfficientMorph：高参数效率的基于 Transformer 的三维图像配准架构

    EfficientMorph 是一种基于 transformer 的无监督三维图像配准架构，通过平面注意机制优化本地和全局注意的平衡，通过级联组注意减少计算冗余，并通过 Hi-Res 令牌化策略捕捉细节，同时保持计算效率，在 OASIS 数据集上创下了 16-27 倍少参数的性能新纪录。

    Mar, 2024

  • 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

  • MambaMorph：基于对比特征学习的 Deformable MR-CT Registration 备人脊柱骨干

    MambaMorph 是一种创新的多模态可形变注册网络，特别适用于磁共振（MR）和计算机断层扫描（CT）图像对齐。它通过使用 Mamba 块进行高效的远程建模和高维数据处理，以及学习细粒度特征的特征提取器，提高了注册准确性。实验结果表明 MambaMorph 在 MR-CT 注册中具有优秀的性能，凸显了其在临床应用中的潜力。

    Jan, 2024

  • 金字塔注意力网络用于医学图像配准

    我们提出了金字塔注意力网络（PAN）用于可变形医学图像配准，通过引入双流金字塔编码器和局部多头注意力变换器实现特征表示和分析运动模式，取得了较好的配准性能。

    Feb, 2024

  • VoxelMorph：用于可形变医学图像配准的学习框架

    VoxelMorph 是一个快速的用于变形匹配的学习框架，可加速医学图像分析和处理管道，我们探索了两种不同的训练策略并演示了其准确性和速度优势。

    Sep, 2018

  • 变形医学图像配准的相关感知粗到细多层感知器

    本研究提出了基于多窗口感知的 MLP 网络（CorrMLP）用于可变形医学图像配准，通过新颖的粗到细的配准架构捕捉细粒度的多范围依赖关系，进行多范围感知的粗到细配准，实验证明 CorrMLP 优于最先进的可变形配准方法。

    May, 2024

  • VMambaMorph：一种基于 Visual Mamba 的带有跨扫描模块的可变形三维图像配准框架

    VMambaMorph 是一种基于 VMamba 和 CNN 的网络，专门为 3D 图像配准设计，利用公共基准脑 MR-CT 配准数据集验证了其与当前最先进方法的竞争性配准质量。

    Apr, 2024

  • X 射线到 CT 图像融合的全可微相关驱动 2D/3D 配准

    我们提出了一种新颖的全可微相关驱动网络，使用双分支 CNN-transformer 编码器从图像中提取并分离低频全局特征和高频局部特征，同时采用了基于嵌入信息的相关驱动损失进行特征分解，并使用了学习逼近凸形相似函数的训练策略。在内部数据集上的测试结果表明，我们的方法优于现有的全可微学习注册方法和传统的基于优化的基准线。

    Feb, 2024

  • 通过运动分解 Transformer 学习可变形图像配准

    本文提出一种新颖的运动分解 Transformer (ModeT), 用于像医学图像配准中的非刚性变形估计，出色地超越了当前最先进的配准网络和 Transformer, 并展示了我们的 ModeT 的潜力。

    Jun, 2023

  • 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