Jun, 2023

无监督可变形图像配准用于超声图像呼吸运动补偿

PDF
TL;DR本文提出了一种基于深度学习的新型超声图像变形配准模型及一种无监督的训练方法，该模型使用循环全对场变换和空间变换网络来在在线速率下（约 30 Hz）生成位移场并精确地跟踪像素移动，采用该方法来在活体猪肺视频中跟踪像素，演示了呼吸运动补偿策略，减少了猪数据集中平均像素运动的 76％，我们相信 U-RAFT 是一个有前途的工具，可用于补偿可变形组织的超声图像中的不同运动，如呼吸和心跳。
deep-learningdeformable registrationultrasound imagesunsupervised approachrecurrent all-pairs field transforms
发现论文，激发创造
  • 无监督可变形超声图像配准及其在血管分割中的应用

    本文介绍了一种基于深度学习的模型进行医学超声图像的可变形配准，同时能够生成合成图像用于训练血管分割模型，而无需额外的手动标注。模型通过不同的损失函数进行训练，能够将生成的合成超声图像与真实图像的结构相似性指数（SSIM）分别达到 98% 和 81%。同时，合成的变形图像可用作数据增强技术来提高血管分割模型的分割表现。

    Jun, 2023

  • 面向加速磁共振成像的注意力感知非刚性图像配准

    通过非刚性对齐获取可靠和一致的运动场，实现高对比度成像技术在磁共振成像中的快速重构。

    Apr, 2024

  • RAFT: 光流的循环全对场变换

    RAFT 是一个新的深度网络结构，用于光流问题，它提取每个像素的特征，为所有像素建立多尺度 4D 相关性体，并通过一个循环单元，通过对相关性体的查找，迭代更新光流场。RAFT 在 KITTI 和 Sintel 数据集上实现了最新颖的性能，并且具有高效率的推断时间、训练速度和参数计数。

    Mar, 2020

  • 利用在线学习的循环神经网络进行呼吸运动预测，以增强外部引导放射治疗的安全性

    在肺放射疗法中，红外相机可以记录胸部上反射物体的位置，以推断因呼吸而移动的肿瘤的位置，但治疗系统延迟影响了辐射光束的精确性。本研究评估了资源高效的在线 RNN 算法（无偏在线重复优化，SnAp-1 和 DNI）准确预测放射疗法治疗期间的呼吸运动的能力。

    Mar, 2024

  • KidneyRegNet: 一种用于呼吸期 3DCT-2DUS 肾脏配准的深度学习方法

    本文提出了一种新的深度配准管道，用于自由呼吸的 3D CT 和 2D U/S 肾脏扫描，包括一个特征网络和一个基于 3D-2D CNN 的配准网络，该网络结构和训练策略通过降低语义差距等手段解决了 3D CT-2D U/S 肾脏配准时的困难。

    May, 2023

  • 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

  • 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

  • DeepTag: 一种基于无监督深度学习的心脏标记磁共振图像运动跟踪方法

    本文提出了一种基于深度学习的全自动运动跟踪方法，可以对心脏标记核磁共振成像（t-MRI）图像中的运动进行跟踪，并且在动态医学成像方面提供了有用的解决方案。实验证明，与传统运动跟踪方法相比，这种新方法在地标跟踪的准确性和推理效率方面都表现出了优越性。

    Mar, 2021

  • 无监督表面配准的多视角循环对齐网络

    本文提出一种基于刚性变换的非刚性配准算法，通过可微分的损失函数进行监督学习，并在多个数据集上的实验结果表明其优于现有最先进算法。

    Nov, 2020

  • 基于物理模型的无监督正则化超声弹性成像约束

    本研究提出了一种基于物理启发的无监督正则化弹性成像方法，通过对材料泊松比的约束，改善了横向位移估计的质量。实验结果表明，该方法可以显著提高弹性成像中横向位移的估计质量。

    Jun, 2022