多步深度配准的构建反一致性

Apr, 2023

Inverse Consistency by Construction for Multistep Deep Registration

Hastings Greer, Lin Tian, Francois-Xavier Vialard, Roland Kwitt, Sylvain Bouix...

TL;DR提出了一种将神经网络逆一致化的简单技术，通过构建其结构，只要它将输出变换参数化为李群。将该技术扩展到多步神经注册，通过以保持逆一致性的方式组成许多这样的网络。我们在合成的 2D 数据和四个 3D 医学图像配准任务上评估了我们的技术，在确保逆一致性的同时获得了出色的配准精度。

Abstract

inverse consistency is a desirable property for image registration. We propose a simple technique to make a neural registration network inverse consistent by construction, as a consequence of its structure, as lo

image registration neural network inverse consistency lie group medical image

发现论文，激发创造

无监督可变形图像配准的反向一致深度网络

该研究提出了一种基于无监督深度学习的反变换一致性深度网络（ICNet）用于可变形图像配准，该方法使用反变换一致性和抗折叠约束以实现转换的微分同胚性，并在脑磁共振成像领域具有优越的性能。

Sep, 2018

使用循环一致的隐式表示进行强健的可变形图像配准

使用循环一致的隐式神经表示的可变形配准方法，通过生成多种变形估计和进行优化，改善了配准准确性，并提供了可用于自动质量控制的健壮的不确定度指标。

Oct, 2023

通过梯度反变一致性实现近似微分同胚

该研究提出了一种利用神经网络实现医学图像配准的方法，通过反向一致性惩罚促进转换规则性，并使用 'GradICON' 作为正则化器，从而在多种真实医学图像数据集上实现了最先进的配准精度。

Jun, 2022

无监督图像配准以提高心脑图像分析的性能和可解释性

本文提出了一种无监督深度学习配准方法，采用双向交叉模态图像合成提高正逆一致性，实现了跨不同 MRI 模态、时间和层面的解剖学变换，获得了优于基准方法的多模态脑部 2D 和 3D MRI 以及单模态心脏 4D MRI 数据实验结果。

Mar, 2022

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

透过反向一致性学习规则地图

探索通过逆一致性损失和随机离散插值结合的深度网络进行空间变换来获得映射的规则性，并且发现使用这种方法可以在不需要良好正则化器的情况下获得规则的映射，同时达到注册性能竞争力。

May, 2021

迈向更合理的深度图像配准

本研究论文调查了流行的基于深度学习的图像配准方法的模型行为，并提出了一种基于正规化的新颖的合理性验证方法来减少逆一致性错误并同时增加鉴别能力。通过实验结果支持理论发现，证明了该方法在提高模型合理性方面的有效性。

Jul, 2023

循环一致卷积神经网络无监督可形变图像配准

本文介绍了一种基于深度神经网络和循环一致性的非监督医学图像配准方法，通过实验表明该方法能够在几秒钟内提供非常精确的三维图像配准，从而更准确地估计癌症大小。

Jul, 2019

使用卷积神经网络进行快速对称形变图像配准

本研究提出了一种新颖、高效的非监督对称图像配准方法，通过在微分同胚映射空间内最大化图像之间的相似度，同时估计正向和反向变换来实现高精度的配准，同时保持所需的微分同胚特性。

Mar, 2020

CycleMorph: 无监督可变形图像配准的循环一致性方法

本文提出了一种基于循环一致性的可变形图像配准方法，通过提供隐式正则化来保持变形过程中的拓扑性，解决了深度学习图像配准方法在拓扑性保留方面的缺陷。实验结果表明，所提出的方法在医学和非医学应用中的各种数据集上提供了有效和准确的图像配准，可在几秒钟内处理多样化的图像对。

Aug, 2020