Jul, 2023

非迭代的粗粒到细粒变换网络用于联合仿射和可变形图像配准

PDF
TL;DR本研究提出了一种非迭代粗到精变换网络 (NICE-Trans) 用于图像配准，它是第一种在单个网络中执行联合仿射和可变形的粗到精变换的深度配准方法，并将 Transformer 嵌入到 NICE 配准框架中以建模图像之间的远程相关性。通过与七个公共数据集的广泛实验表明，我们的 NICE-Trans 在配准精度和运行时间上优于现有的配准方法。
image registrationdeep learningnice registrationaffine registrationtransformers
发现论文，激发创造
  • 基于粗到细视觉变换器的仿射医学图像配准

    本文提出一种快速且鲁棒的学习算法 C2FViT 用于 3D 医学图像配准，其应用了视觉 Transformer、多分辨率策略和联合仿射非参数配准进行学习，相对于现有的基于 CNN 的仿射配准方法在准确度、鲁棒性和泛化能力上均具优越性，同时保留了基于学习的方法的运行速度优势。

    Mar, 2022

  • 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

  • TransMorph: 无监督医学图像配准的 Transformer 模型

    本文提出了 TransMorph，一种混合了 Transformer-ConvNet 模型的医学图像配准方法，并通过验证证明，该方法在医学图像配准方面性能显著优于基线方法，从而证实了 Transformer 在医学图像配准方面的有效性。

    Nov, 2021

  • 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

  • 变形医学图像配准的相关感知粗到细多层感知器

    本研究提出了基于多窗口感知的 MLP 网络（CorrMLP）用于可变形医学图像配准，通过新颖的粗到细的配准架构捕捉细粒度的多范围依赖关系，进行多范围感知的粗到细配准，实验证明 CorrMLP 优于最先进的可变形配准方法。

    May, 2024

  • 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

  • C2FTrans: 用于医学图像分割的粗 - 细双向变换器

    本文提出了一种新颖的多尺度架构 C2FTrans，它将医学图像分割形式化为粗 - 细过程。其中包含了一个跨尺度全局 Transformer 和一个边界感知局部 Transformer，能够在保持精细的同时降低计算复杂度，并在三个公共数据集上展现了超过现有 CNN 和基于 Transformer 的方法的表现。

    Jun, 2022

  • 一种用于非监督仿射和可变形图像配准的深度学习框架

    通过使用深度学习，我们提出了一种无需预定义注册示例的机制来进行医学图像分析中的图像注册，包括仿射和可变形图像注册，性能可与传统图像注册相当，但速度快了几个数量级。

    Sep, 2018

  • 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

  • 通过运动分解 Transformer 学习可变形图像配准

    本文提出一种新颖的运动分解 Transformer (ModeT), 用于像医学图像配准中的非刚性变形估计，出色地超越了当前最先进的配准网络和 Transformer, 并展示了我们的 ModeT 的潜力。

    Jun, 2023