Mar, 2023

MOREA: 用于三维医学图像多目标变形配准的 GPU 加速进化算法

PDF
TL;DR本研究提出了 MOREA，这是第一个基于进化算法的多目标方法，用于可变形医学图像配准，能够应对大变形，并且采用完全 GPU 加速的 3D 生物力学网格模型， 在 4 个人的腹部 CT 扫描中表现得更好。
medical image analysisimage registrationmulti-objective optimizationlarge deformations3d images
发现论文，激发创造
  • 基于双单纯网格的多目标可形变图像配准在三维医学图像上的证明

    通过使用多目标优化方法和双动态网格变换等技术，本文提出了一种解决医学图像中大幅度变形和内容不匹配问题的多目标三维变形图像配准方法，并实现了良好的效果。

    Feb, 2022

  • FireANTs：自适应黎曼优化用于多尺度同胚配准

    本文提出了基于多尺度自适应黎曼优化算法的可微分图像配准，该算法在结构和地标覆盖度量上显示出了令人信服的改进，并在现有算法的基础上加速了 300 倍至 2000 倍。

    Apr, 2024

  • 变形图模型的竞赛：基于 B 样条和网格的多目标可变形图像配准

    直接比较了使用相同最新多目标优化方法的 B 样条模型和网格模型的转换模型，并在两个基于盆腔 CT 扫描的宫颈癌患者注册问题上实验证明，转换模型的选择对实现的注册结果的多样性和质量产生了深远影响。

    Jan, 2024

  • 动态多目标优化的向量自回归进化

    本文提出了一个矢量自回归进化（VARE）方法，它由矢量自回归（VAR）和环境感知超级突变（EAH）组成，以有效预测动态环境中的移动解决方案。研究表明，VARE 可用于处理各种动态环境下的优化问题，并在时间和效果上都优于其他算法。

    May, 2023

  • 分解式进化算法分析与克服复杂多目标优化中的局部最优点

    综合几何分析，我们发现传统的参考点选择方法对于解决复杂的多目标优化问题中的局部最优问题具有基础性的作用。为了应对这一问题，我们引入了一种创新的参考点选择策略，即权重向量引导和高斯混合方法，旨在克服局部最优问题。通过对 14 种算法进行实验验证和一系列实证测试，我们的方法在人口多样性和收敛性方面取得了显着的改进。

    Apr, 2024

  • 多目标进化算法中组件效应对算法行为的影响

    研究使用自动设计的算法对多目标进化算法进行了效果评估，通过比较搜索轨迹网络、种群的多样性和任意时刻的超体积值，发现算法组件对于不同问题具有不同的影响。

    Jul, 2023

  • 移动神经架构搜索中的多目标强化进化

    本文提出了一种新的多目标导向算法 MoreMNAS（Multi-Objective Reinforced Evolution in Mobile Neural Architecture Search），通过结合 EA 和 RL 的优点，将 NSGA-II 遗传算法与自然突变过程相混合，使得神经模型搜索过程中不仅能够避免模型退化，还能更好地利用已学习的知识，并在超分辨领域 SR 中进行实验，获得比某些现有技术更少的 FLOPS 令人瞩目的模型。

    Jan, 2019

  • 基于排名学习和本地模型的进化算法解决高维昂贵多目标问题

    提出了一种基于分类器辅助排名学习和局部模型的多目标进化算法 (CLMEA)，它用于高维昂贵的多目标优化问题，实验结果表明该算法在基准问题和地热储层热采优化实施方面显示出优秀的性能，相对于现有的基于替代模型的多目标进化算法具有更好的性能。

    Apr, 2023

  • DOSA-MO: 多目标问题中系统性过高估计调整的双阶段优化器改进生物标志物发现

    DOSA-MO 是一种新型的多目标优化封装算法，它通过学习原始估计、其方差以及解集大小如何预测过度估计，并调整期望值以在优化期间改进解集的组成，验证表明 DOSA-MO 基于三个转录组数据集对肾癌和乳腺癌进行生物标志物识别改进了基于遗传算法的最新研究在预测癌症亚型和 / 或患者总存活率时的性能。

    Dec, 2023

  • 基于变形 MRI 序列配准的人工智能前列腺癌诊断

    通过使用图像配准算法研究了人工智能诊断算法的影响，发现虽然图像配准显著提高了病变对齐效果，但直接导致诊断准确性的显著提升仍未能得到证实。定性分析表明，同时开发图像配准方法和诊断人工智能算法可以提高诊断准确性和患者预后。

    Apr, 2024