Jul, 2023

SAMConvex: 基于自监督解剖嵌入和相关金字塔的 CT 注册的快速离散优化

PDF
TL;DR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。
ct registrationsamconvexanatomical embeddingfeature extractiondisplacement vector field
发现论文，激发创造
  • SAME++：一种自监督的解剖学嵌入增强的医学图像配准框架，利用稳定采样和正则化转换

    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

  • SAM++: 利用语义信息和结构推理增强解剖匹配

    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

  • 自监督学习放射学图像像素级解剖嵌入

    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

  • 野外匹配：学习用于多模态图像的解剖嵌入

    为了解决不同 FOV 的图像对齐问题，本文提出了一种名为 Cross-SAM 的新方法，该方法利用嵌入学习和 CT-MRI 注册的迭代过程，以实现跨模态匹配，并在 CT-MRI 仿射注册数据集上表现出鲁棒性，明显优于其他方法，达到了最先进的性能。

    Jul, 2023

  • SAMv2: 统一的外观、语义和跨模态解剖嵌入学习框架

    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

  • 多模态图像配准的弱监督卷积神经网络

    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

  • 基于标签驱动的弱监督学习用于多模态变形图像配准

    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

  • 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

  • Aladdin: 基于成对对齐的联合 Atlas 建模和差异正态对齐学习

    通过卷积神经网络同时预测畸变图和恒定速度场参数化，利用成对图像对齐损失以提高医学图像配准精度，实现了 3D 膝关节磁共振成像的快速、端到端训练和测试，且表现优于其他同类算法。

    Feb, 2022

  • 从少量匹配学习光流

    本文研究了一种神经网络模型的新方法，使用稀疏相关物体代替密集相关物体，以更高效且准确地估算像素位移并降低计算成本和内存使用。

    Apr, 2021