Sep, 2023

医学影像配准的深度学习：介绍与调查

PDF
TL;DR图像配准是一种将图像变形以使其与参考空间对齐的过程，以便医学从业者可以在标准化的参考框架中检查各种医学图像，如具有相同的旋转和比例。本文介绍了使用简单的数字示例进行图像配准的过程，并提供了图像配准的定义以及空间定向象征性表示。同时，探讨了不同类型的图像转换，包括仿射、可变形、可逆和双向转换，以及医学图像配准算法，例如 Voxelmorph、Demons、SyN、迭代最近点、SynthMorph。此外，还讨论了基于图谱的配准和多阶段图像配准技术，包括粗细和金字塔方法。此外，该综述论文讨论了医学图像配准分类法、数据集、评估指标（如基于相关性的度量、基于分割的度量、处理时间和模型大小）以及在图像引导手术、运动跟踪和肿瘤诊断方面的应用。最后，该文还探讨了未来研究方向，包括进一步发展变形器。
image registrationmedical imagesregistration algorithmsevaluation measuresfuture research directions
发现论文，激发创造
  • 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

  • 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

  • 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

  • 医学图像配准及其在视网膜图像中的应用：一项综述

    医学图像配准对疾病诊断和治疗至关重要，能够合并不同时期、不同角度或不同模态下捕获的多样信息。本文系统综述了传统和基于深度学习的医学图像配准方法，并重点关注了视网膜图像配准的最新进展及其面临的挑战，同时提供未来研究的见解和展望。

    Mar, 2024

  • Learn2Reg：深度学习时代全面多任务医学图像配准的挑战、数据集和评估

    本文描述了 Learn2Reg 挑战赛的数据集，任务，评估方法和结果，以及结果的进一步分析。同时，该研究也揭示出许多提高医学图像配准表现的方法，从而推动了该领域的发展。

    Dec, 2021

  • 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

  • 隐私保护图像配准

    该研究旨在解决在隐私约束下，医学图像注册问题。推导了一个基于先进的密码学工具的隐私保护图像注册框架，即在不泄露基础数据的情况下执行操作。使用梯度逼近和打包技术来优化该框架以提高性能和可伸缩性。通过线性和非线性注册问题来展示该框架的准确性和可伸缩性，并证明了隐私保护图像注册是可行的。

    May, 2022

  • 医学图像配准中的深度学习：综述

    本文总结使用深度学习技术的医学图像匹配方法，并对这些方法进行了分类、评估和比较。最后，分析了这些方法的未来发展趋势。

    Dec, 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

  • 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