Jul, 2023

DISA: 通用多模态注册的可微相似性近似

PDF
TL;DR通过近似现有指标与小型卷积神经网络的特征空间中的点积，我们提出了一个通用框架，用于创建具有表达性的跨模态描述符，从而实现了快速可变形全局注册。我们的方法比基于局部图像块的指标快几个数量级，并且可以直接应用于临床环境中，只需用所提出的指标替换相似度测量。实验表明，我们的方法在训练数据之外也具有很好的泛化性，即使在未知的解剖学和模态组合上也有着广泛的适应能力，无需进行专门的重新训练。我们公开了我们的训练代码和数据。
multimodal image registrationregistration algorithmsmachine learningcross-modal descriptorsconvolutional neural network
发现论文，激发创造
  • 多模态配准的深度度量

    使用卷积神经网络构建了一种新的相似度度量方法，该方法可以应用于多模态医学图像的配准问题。在跨人注册任务上，该方法实现了比互信息更好的性能。

    Sep, 2016

  • 模态无关的结构化图像表示学习用于可变形多模态医学图像配准

    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

  • 基于分离表示的多模态图像非监督可变形配准

    本文提出了一种基于无监督学习的多模态图像配准方法，采用图像分解的方法将多模态图像分解成通用潜在形状空间和独立潜在外观空间，并且通过因式分解潜在形状代码来进行配准，提出了两种评估网络的指标并与传统的多模态注册方法进行了比较，结果表明我们的方法在大大缩短计算时间的情况下取得了与其他方法竞争性的性能。

    Mar, 2019

  • 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

  • MAD：图像配准的模态无关距离度量

    通过使用随机卷积来学习图像的固有几何结构，并依靠 Modality Agnostic Distance (MAD) 作为深度图像距离测度，我们展示了 MAD 不仅能够成功地进行多模态图像仿射配准，而且还具有比传统测度（如互信息和归一化梯度场）更大的拍摄范围。

    Sep, 2023

  • 多模式非监督脑图像配准使用边缘地图

    本文提出了一种基于无监督深度学习的多模态图像配准方法，该方法利用图像梯度幅度来作为辅助信息，通过三种不同的损失函数比较证明该方法能提升多模态配准的准确性且运行时间不受影响。

    Feb, 2022

  • 无监督多模式图像配准的几何保持图像到图像翻译

    本研究提出一种利用图像到图像翻译网络训练形态转换网络的多模态配准方法，通过单模态指标对图像进行训练，无需对齐模态对即可进行训练，适用于多种模态，实验结果表明该方法高度准确。

    Mar, 2020

  • 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

  • 形变多模态图像配准用于光学测量与组织学图像的相关性

    利用深度学习技术，通过自动多模式图像配准方法，将快照乳房标本图像与对应的组织学图像进行对齐，以提高光学技术验证的准确性。

    Nov, 2023

  • 深度网络解释性非监督多模态图像配准

    磁共振成像（MRI）的临床决策制定结合了多个 MRI 序列（定义为 “模态”）的补充信息。MRI 图像配准旨在几何地 “匹配” 来自不同模态、时间点和切片的诊断。无监督的多模态和多器官图像配准深度学习方法中，我们将基于 Grad-CAM 的可解释性框架纳入每个主要组成部分。我们的 DL 模型变得完全可解释，为将我们的方法推广到进一步的医学成像数据奠定了框架。

    Aug, 2023