迈向更合理的深度图像配准

ICCVJul, 2023

Towards Saner Deep Image Registration

Bin Duan, Ming Zhong, Yan Yan

TL;DR本研究论文调查了流行的基于深度学习的图像配准方法的模型行为，并提出了一种基于正规化的新颖的合理性验证方法来减少逆一致性错误并同时增加鉴别能力。通过实验结果支持理论发现，证明了该方法在提高模型合理性方面的有效性。

Abstract

With recent advances in computing hardware and surges of deep-learning architectures, learning-based deep image registration methods have surpassed their traditional counterparts, in terms of metric performance and inference time. However, these methods focus on improving performance m

deep image registration learning-based methods inverse consistency nondiscrimination sanity-checking

发现论文，激发创造

医学图像配准中的深度学习调查：新技术、不确定性、评估指标及未来发展

过去十年来，深度学习技术在医学图像配准领域取得了很大进展。本文对深度学习技术在图像配准中的最新进展进行了综合概述，包括网络结构、损失函数、注册不确定性估计方法和评估指标等方面，并探讨了这些新技术在医学影像中的实际应用和未来前景。

Jul, 2023

图像配准度量学习

本文介绍了一种利用深度学习优化图像配准的方法，通过学习一个适应性正则化程序来控制变换的规则性，从而实现更好的结果输出。

Apr, 2019

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

医学图像配准中的深度学习：一项调查

本文综述了深度学习在医学图像配准领域的演变历程，总结了该领域内最新的研究挑战和创新，列举了未来的研究方向。

Mar, 2019

医学图像配准的循环推理机

通过提出一种名为 RIIR 的新型图像注册方法，该方法将深度学习技术应用于医学图像注册中，提高了注册准确性和数据利用效率。

Jun, 2024

循环一致卷积神经网络无监督可形变图像配准

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

自适应图像配准：融合深度学习和优化函数的混合方法以提升精度

本研究旨在将学习方法和优化方法结合，使用学习方法的输出作为优化的初始参数，并根据图像对的损失进行计算，从而在保持相同推理时间和形变场平滑度仅降低 0.8% 的情况下，通过使用最佳性能的先进模型作为框架的骨干，在测试中获得了 0.3% 的改进。

Nov, 2023

基于概率密集位移网络缩小深度与传统图像配准之间的差距

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。

Jul, 2019

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

无监督图像配准以提高心脑图像分析的性能和可解释性

本文提出了一种无监督深度学习配准方法，采用双向交叉模态图像合成提高正逆一致性，实现了跨不同 MRI 模态、时间和层面的解剖学变换，获得了优于基准方法的多模态脑部 2D 和 3D MRI 以及单模态心脏 4D MRI 数据实验结果。

Mar, 2022