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

Aug, 2022

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

ACSGRegNet: A Deep Learning-based Framework for Unsupervised Joint Affine and Diffeomorphic Registration of Lumbar Spine CT via Cross- and Self-Attention Fusion

PDF

Xiaoru Gao, GuoYan Zheng

TL;DR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。

Abstract

Registration plays an important role in medical image analysis. Deep learning-based methods have been studied for medical image registration, which leverage convolutional neural networks (CNNs) for efficiently regressing a dense deformation field from a pair of images. However, CNNs ar

medical image analysis deep learning-based methods acsgregnet attention modules vertebral ct data

发现论文，激发创造

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

DeepAtlas: 图像注册和分割的联合半监督学习

本文提出了一种基于深度学习的框架，联合学习图像配准和图像分割网络，在考虑到现有分割数据的情况下，同时提高分割和配准的准确性，并利用配准产生的数据增强对分割网络进行训练，实现在有限的训练数据集上训练高质量的模型。在膝盖和脑部 MRI 图像上，与以往研究相比，我们的方法具有更高的分割和配准准确度，且只需用一张标记图像就可实现 2.7% 和 1.8% 的 Dice 分数提升。

Apr, 2019

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

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

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

AutoFuse：变形医学图像配准的自动融合网络

提出了一种数据驱动的融合策略，用于可变形图像配准，通过自动优化融合策略，并结合自动融合网络和融合门模块，实现了更好的配准性能，超过了现有的无监督和半监督配准方法。

Sep, 2023

基于注意力机制的形状变形网络用于无伪影几何重建腰椎 MR 图像

自动化腰椎形态重建能够快速测量医疗参数以评估腰椎状况，并确定适当的治疗方法。本论文提出了 TransDeformer，一种新的基于注意力机制的深度学习方法，实现高空间精度和患者间网格对应的腰椎轮廓重建，并提出了用于误差估计的 TransDeformer 变体。该方法通过整合图像特征和轮廓特征预测形状模板上的点的位移，即可显现输入图像中的腰椎形态。经实验证明，TransDeformer 生成无伪影的几何输出，其变体可预测重建几何的误差。

Mar, 2024

Seg4Reg+: 脊柱分割和 Cobb 角度回归之间的一致性学习

本文提出了一种名为 Seg4Reg+ 的多任务框架，通过优化分割和回归网络，探索了它们之间的局部和全局一致性以及知识迁移，并在公共数据集上进行了评估，证明了其在 Cobb 角估计方面的有效性和卓越表现。

Aug, 2022

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

一种医学图像无监督图像配准的自适应对应度评分框架

我们提出了一种适应性训练方案，用于无监督的医学图像配准。

Dec, 2023