野外匹配:学习用于多模态图像的解剖嵌入
Self-supervised Anatomical eMbedding (SAM) is introduced to extract semantic embeddings for imaging pixels with intrinsic structures, which can be used to locate body parts in other images by nearest neighbor searching, surpassing supervised methods trained on 50 labeled images with only one labeled template image and being effective in improving image registration and initializing CNN weights.
Dec, 2020
SAM++ 是一个能够在医学图像中学习外观和语义嵌入的框架,其固定点匹配机制能够克服原来方法中的一些限制,并取得了比现有方法更好的结果。
Jun, 2023
基于自我监督解剖嵌入(SAM)的 SAMv2 是一个统一的框架,通过学习外观、语义和跨模态的解剖嵌入,克服了医学图像分析中的挑战,提供了一种在基于标志点的医学图像分析任务中表现优异的方法。
Nov, 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
本文提出了一种基于卷积神经网络的方法,借助高水平结构对应信息(即解剖标记)推测像素变化,从而实现多模态图像对齐。结果表明,该方法具有广泛的适用性,可在训练过程中利用各种不同类型的解剖标记,并能实现实时自动化、无需标记或初始化的三维图像对齐。
Jul, 2018
采用标签驱动式表达,利用卷积神经网络的密集位移场,通过最小化变形移动标签和固定标签的交叉熵函数,使医学图像的标志物在不同模态之间匹配,改进了医学图像的对齐性。
Nov, 2017
基于多模态医学图像分析研究和图像引导放疗,本文提出了一种自主模态结构表示学习方法,利用深度邻域自相似性和解剖感知对比学习,以学习具有辨别性和对比不变性的深度结构图像表示,无需解剖规划或预先对齐训练图像,通过对多相 CT、腹部 MR-CT 和脑部 MR T1w-T2w 进行评估,全面结果表明,相对于传统的局部结构表示和基于统计的相似性度量,所提出的方法在辨别性和准确性上更出色。
Feb, 2024
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
本文探讨在医学成像中使用自监督深度学习的应用,特别是在存在两种扫描模式的同一主体的情况下。通过使用来自英国生物库的超过 20,000 个主体的完整身体迪克森技术磁共振(MR)扫描和双能 X 射线吸收计量(DXA)扫描的大型公开数据集,作者提出了一种针对多模式图像匹配对比框架,并且可以在没有监督的情况下执行自动跨模式扫描配准。最后,作者使用这些配准将 DXA 扫描的分割图传输到 MR 扫描中,在不需要地面真实 MR 样本的情况下,训练可以分割解剖区域的网络。
Jul, 2021