本文提出了一种基于全卷积网络优化并学习图像之间空间变换的新型非刚性图像配准算法,实现了多分辨率下空间变换和网络学习的联合优化,并且在注册 3D 结构性脑磁共振(MR)图像方面表现比最先进的图像配准算法更好。
Sep, 2017
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
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
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
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
提出了一种基于概率密度优化和深度学习的非线性医学图像配准方法,该方法通过近似最小卷积和平均场推断进行可微位移正则化,在少量标记的扫描中可实现较高准确度。
本论文提出了一种名为PRNet的简单、灵活和通用的框架,用于部分到部分的点云配准,它使用深度神经网络处理对齐和部分匹配问题的非凸性,并且PRNet适用于部分到部分的配准,并在合成数据上优于PointNetLK、DCP和非学习方法。
Oct, 2019
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
提出了一种快速的粗到细的离散优化方法SAMConvex,用于CT注册,包括根据捕捉局部和全局信息的自监督解剖嵌入器(SAM)特征提取器通过解耦凸优化过程获取变形场。SAMConvex在两个患者间注册数据集(腹部CT和头颈CT)和一个患者内注册数据集(肺部CT)上优于现有的基于学习和优化的方法。此外,作为一种基于优化的方法,SAMConvex仅需要大约2秒(使用实例优化约5秒)处理一对图像。
Jul, 2023
我们介绍了一种快速而准确的无监督三维医学图像配准方法,利用自我监督的解剖嵌入(SAM)算法在像素级别计算两幅图像之间的密集解剖对应关系,并通过提供更为一致的对应关系和更好的语义引导特征来增强配准步骤,从而显著优于基于数值优化的方法。
Nov, 2023