AutoFuse:变形医学图像配准的自动融合网络
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
本文提出了一种新型的基于卷积神经网络的非刚性图像配准算法,通过优化和学习不同尺度下的空间变换以及卷积神经网络,实现了对 3D 结构脑磁共振图像更好的配准效果。
Jan, 2018
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
该研究提出了一种新的基于深度学习的框架 ——ACSGRegNet,该框架通过集成交叉关注模块和自关注模块来实现无监督的仿射和差分变形配准,通过在脊柱 CT 图像上进行广泛的实验,已经取得了比现有方法更好的结果。
Aug, 2022
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
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
本文提出了一种基于全卷积网络优化并学习图像之间空间变换的新型非刚性图像配准算法,实现了多分辨率下空间变换和网络学习的联合优化,并且在注册 3D 结构性脑磁共振(MR)图像方面表现比最先进的图像配准算法更好。
Sep, 2017
使用改进的卷积神经网络进行体积图像配准,提供增强的感受野,减少参数并在受限的训练数据集上取得与基于 Transformer 方法相当甚至稍好的性能。
Jun, 2024
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
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