AAAINov, 2022

Fourier-Net：带限变形的快速图像配准

PDF
TL;DR本文提出 Fourier-Net 网络，使用参数自由的基于模型的解码器代替 U-Net 风格网络的扩张路径。将低维度表示在带限傅里叶域中进行学习，最后由模型驱动的解码器解码为完整的空间域中的密集位移场。与现有方法相比，我们的 Fourier-Net 网络具有更少的参数和更快的推理速度，在公共 3D 脑数据集上实现了更高的 Dice 得分和更快的推理速度。
unsupervised image registrationfourier-netparameter-free model-driven decodervolumetric image databrain datasets
发现论文，激发创造
  • Fourier-Net+: 基于有限频带表示的高效三维医学图像配准

    利用傅立叶网络替代资源密集型的 U-Net 风格扩张路径，我们提出了 Fourier-Net，通过学习位于有限带宽傅立叶域中的位移场的低维表示，然后通过模型驱动的解码器将其转换为空间域中的全分辨率位移场，达到减少计算成本、提高注册性能的效果。

    Jul, 2023

  • 卷积神经网络实现端到端无监督可变形图像配准

    本文提出了一种卷积神经网络的深度学习应用，利用无监督优化相似度指标完成非迭代式的图像配准，具备传统配准方法一样高的精度，且实现时间大幅度缩短。

    Apr, 2017

  • 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

  • 无需训练数据的基于自监督全卷积网络的非刚性图像配准

    本文提出了一种新型的基于卷积神经网络的非刚性图像配准算法，通过优化和学习不同尺度下的空间变换以及卷积神经网络，实现了对 3D 结构脑磁共振图像更好的配准效果。

    Jan, 2018

  • DeepFLASH：一种高效的基于学习的医学图像配准网络

    本文提出了 DeepFLASH，这是一个新颖的网络，具有高效的训练和推理能力，可用于学习医学图像配准。我们在低维带限空间中开发了一种新的配准网络，与现有方法相比，这种方法可以大大降低昂贵的训练和推理的计算成本和内存占用。

    Apr, 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

  • 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

  • 仅解码的图像配准

    本研究提出了一种名为 LessNet 的新型网络架构，仅包含一个可学习的解码器，以替代传统的可学习编码器，通过使用简单的手工特征来代替学习网络参数，从而实现了高效紧凑的 3D 医学图像配准，同时具有与现有方法相当的配准性能和较少的计算资源需求。

    Feb, 2024

  • 无监督学习快速概率形变配准

    本文提出了一种基于概率生成模型和卷积神经网络的非监督学习方法，实现了高效且拓扑保持的形变配准，同时得到了不确定性估计。

    May, 2018

  • FDA: 用于语义分割的傅里叶域自适应

    本论文描述了一种简单的无监督领域适应方法，通过交换低频谱来减少源和目标分布之间的差异，该方法在语义分割中实现了最新的性能，并且不需要对离散领域选择变量进行不变的神经网络背骨的敌对优化。

    Apr, 2020