Jul, 2023

Fourier-Net+: 基于有限频带表示的高效三维医学图像配准

PDF
TL;DR利用傅立叶网络替代资源密集型的 U-Net 风格扩张路径，我们提出了 Fourier-Net，通过学习位于有限带宽傅立叶域中的位移场的低维表示，然后通过模型驱动的解码器将其转换为空间域中的全分辨率位移场，达到减少计算成本、提高注册性能的效果。
u-net style networksimage registrationdisplacement fieldfourier-netregistration performance
发现论文，激发创造
  • Fourier-Net：带限变形的快速图像配准

    本文提出 Fourier-Net 网络，使用参数自由的基于模型的解码器代替 U-Net 风格网络的扩张路径。将低维度表示在带限傅里叶域中进行学习，最后由模型驱动的解码器解码为完整的空间域中的密集位移场。与现有方法相比，我们的 Fourier-Net 网络具有更少的参数和更快的推理速度，在公共 3D 脑数据集上实现了更高的 Dice 得分和更快的推理速度。

    Nov, 2022

  • DeepFLASH：一种高效的基于学习的医学图像配准网络

    本文提出了 DeepFLASH，这是一个新颖的网络，具有高效的训练和推理能力，可用于学习医学图像配准。我们在低维带限空间中开发了一种新的配准网络，与现有方法相比，这种方法可以大大降低昂贵的训练和推理的计算成本和内存占用。

    Apr, 2020

  • 利用频域学习进行三维血管分割

    冠状微血管疾病的风险对人类健康构成了重大威胁。通过计算机辅助分析和诊断系统，医学专业人员可以在疾病进展的早期进行干预，而 3D 血管分割作为关键组成部分。我们利用傅立叶域学习作为 3D 分层分割模型中多尺度卷积核的替代方法，既可以降低计算负荷，又能保持网络内的全局感受野。此外，设计了一个零参数频域融合方法来改进 U-Net 架构中的跳过连接。在一个公共数据集和一个内部数据集上的实验结果表明，我们的新颖傅立叶变换基于网络在管状血管分割任务中取得了显著的骰子性能（ASACA500 上达到 84.37％，ImageCAS 上达到 80.32％），同时还大大减少了计算需求，而不损害全局感受野。

    Jan, 2024

  • 利用更快的傅里叶卷积神经网络进行加速 MR 扫描的图像重建

    本文提出了一种基于 Faster Fourier Convolution 的方法，通过扩展全局接受域来更准确地重建部分扫描数据的 MRI 图像，实现了比传统方法更快速的计算速度和更高质量的重建效果。

    Jun, 2023

  • U-Net 和 Transformer: U-Net 在医学图像配准中是否已经过时？

    本研究旨在探究在医学图像配准领域中，基于 U-Net 神经网络是否比现代 transformer-based 方法更陈旧。通过提出一种大卷积核 U-Net 模型并在公共数据集和 MICCAI Learn2Reg 2021 挑战数据集上进行测试，结果表明新模型在参数和计算复杂度较低的情况下可以优于 state-of-the-art 的 TransMorph 模型及其他现有 transformer-based 方法，证明 U-Net 仍然在 inter-subject 和 atlas-based 3D 医学图像配准中具有优势。

    Aug, 2022

  • 卷积神经网络实现端到端无监督可变形图像配准

    本文提出了一种卷积神经网络的深度学习应用，利用无监督优化相似度指标完成非迭代式的图像配准，具备传统配准方法一样高的精度，且实现时间大幅度缩短。

    Apr, 2017

  • 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

  • 用快速傅立叶变换优化卷积神经网络在目标识别中的应用

    该研究提出使用基于 FFT 的 U-Net 对卷积神经网络中的图像卷积成本进行改进，并应用于 BBBC 数据集，成功地将训练时间从 600-700ms / 步缩短至 400-500ms / 步，以及在 IoU 指标上取得了显著的提高。

    Oct, 2020

  • 双流金字塔配准网络

    提出了一种双流金字塔配准网络（称为 Dual-PRNet），用于无监督的三维医学图像配准，该网络采用两种流体系结构，能够从卷积特征金字塔中计算多尺度的配准场，并通过逐步变形以逐步细化配准场，能够处理大的空间或切片空间中的重要变形，该方法在两个标准的大脑 MRI 配准基准测试中表现优异。

    Sep, 2019

  • 一种用于无监督可变形图像配准的轻量级残差网络

    使用改进的卷积神经网络进行体积图像配准，提供增强的感受野，减少参数并在受限的训练数据集上取得与基于 Transformer 方法相当甚至稍好的性能。

    Jun, 2024