KDDDec, 2022

ERNet: 神经影像数据无监督集体提取和注册

PDF
TL;DR本研究提出了 ERNet 方法来解决神经影像数据中的无监督集成的脑区提取和配准问题，该方法通过一对多级脑区提取和配准模块学习提取掩模和变换，实现迭代提取准确性并成功匹配至目标影像。实验结果表明，ERNet 可以有效地提高神经影像数据处理中的脑区提取和配准任务的性能。
neuroimagingbrain extractionregistrationunsupervised learningernet
发现论文，激发创造
  • 神经影像数据的一次性联合提取、注册和分割

    本文研究了神经影像数据中的一次性联合提取、配准和分割问题，提出了一种统一的端到端框架 JERS，它利用一个标记的模板图像和一些未标记的原始图像进行训练，通过自监督相互增强来优化提取、配准和分割任务。实证结果表明，我们提出的方法在提取、配准和分割任务中表现出色。

    Jul, 2023

  • NeurReg：神经注册及其在图像分割中的应用

    本研究提出了一种基于深度学习的神经映像配准框架 NeurReg，其具有位移场和数据相似性的混合损失，经过广泛实验验证表明可以快速并精确地执行图像配准和分割，可大大加快相关医学图像分析任务。

    Oct, 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

  • 医学图像配准的半弱监督神经网络训练

    通过弱监督方法以及对未标记数据应用一致性无监督损失，本文提出了一种半弱监督注册流程，改进了模型性能，并构建了一个计算解剖图谱用于盆腔结构。

    Feb, 2024

  • 基于深度学习的胎儿脑 MRI 无监督分割及级联配准

    基于多阶段深度学习及多图谱分割，提出了一种无监督分割方法实现胎儿脑磁共振图像的精确分割，无需标记数据进行训练，达到了与 nnU-Net 相似性能和推断时间。

    Jul, 2023

  • AIRNet: 使用神经网络进行自监督仿射变换的三维医学图像配准

    本文提出了一种自监督学习的方法，用于在三维医学图像上进行仿射图像配准，并利用丰富的廉价无标注数据集合成数据集训练模型以提高性能。作者的方法可以学习到对图像配准有用的差别特征，并且与传统的图像配准方法相比具有更好的性能和快 100 倍的执行时间。

    Oct, 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

  • 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

  • 基于 Swin UNETR 的脑肿瘤手术 MRI - 超声配准的密集误差图估计

    提出了一种基于深度学习的新框架，利用超声引导下的磁共振成像和超声图像注册技术，自动评估 MRI-iUS 注册的质量，并首次展示其在 iUS 引导下的脑肿瘤切除手术中的实际临床数据上的表现。

    Aug, 2023

  • 狨猴脑中基因表达图像的联合分解和配准的隐式神经表示

    我们提出了一种基于隐式神经表征的新型图像配准方法，用于解决注册具有类似解剖结构但其中一个图像包含其他特征或工件而另一个图像中没有的一对脑图像的难题。通过将图像分解为支撑图像和残差图像，并联合执行配准，我们的方法在实验中表现出色，并且优于其他配准技术。

    Aug, 2023