Aug, 2023

通过循环训练实现更好的医学图像配准

PDF
TL;DR通过训练架构 Optron，将优化的深度学习模型与自动化训练过程相结合，用于医学图像配准，通过无监督训练的伪标签优化预测结果，提高模型性能和收敛速度，实现了在 IXI 数据集上的最新技术进展。
medical image registrationoptimization-based methodsdeep learningtraining architectureunsupervised training
发现论文，激发创造
  • 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

  • 通过模型拟合学习重构 3D 人体姿势和形状

    该研究提出了一种新的方法，将基于优化的方法和基于回归的方法结合起来，通过深度学习网络和迭代优化技巧来准确估计人体姿势。在实验中，该方法在数据稀缺和限制条件下改善了现有技术的精度和效率。

    Sep, 2019

  • 一次性局部到局部配准的三维 - 三维对应关系学习

    本文提出了一种基于 Optimal Transport layer 和 outlier bins 的 OPRNet 框架，能够以一次迭代的方式实现学习型 partial-to-partial registration，这可以在降低网络复杂度的同时显著提高配准精度

    Jun, 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

  • 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

  • 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

  • 通过优化引导的循环自训练实现无监督三维配准

    本篇论文提出了一种基于自我训练的自监督学习方法，利用可微分的基于特征的优化器进行无监督匹配，通过不断迭代学习，得到更精确的结果，并在腹部和肺部配准方面实验表现比基于度量的监视方法更好，超越了各种最先进的竞争方法。

    Jun, 2023

  • 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

  • 深度隐式优化用于鲁棒和灵活的图像配准

    采用深度学习在图像配准中，该方法结合优化与学习方法，在深度网络中使用优化图层来训练预测多尺度密集特征图像，在特征空间中保证了自学习特征的配准最小值和瓦普函数，并具有良好的性能和通用性。

    Jun, 2024

  • 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