Sep, 2023

无监督配准：基于几何学学习和成像的放疗应用

PDF
TL;DR为了精确地识别不同患者器官分割之间的相应点以应用于放射治疗，本研究旨在开发一个模型。通过使用头颈部器官分割的 CT 扫描训练了一个在 3D 形状中同时进行对应和插值估计的模型。通过两种方法扩展了原始模型，其中一种是直接从图像补丁中提取特征，另一种是将补丁之间的均方误差作为损失函数的一部分。使用地形误差、卡迈尔距离、共形畸变度量以及解剖标志点之间的距离评估了对应和插值性能。每个模型相较于基线的非刚性配准方法都产生了更好的对应结果，原始模型与直接包含图像特征的模型表现相似。最佳性能的模型配置将图像信息作为损失函数的一部分，产生了更符合解剖学的对应结果。我们将使用最佳性能的模型来识别器官上相应的解剖点，以改进空间归一化，这是结果建模的重要步骤，或作为解剖信息注册的初始化。我们的所有代码都公开在此 https URL。
发现论文，激发创造
  • 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

  • 多器官分割的形状感知补充任务学习

    本研究旨在基于器官特异性形态先验学习的角度来解决全身 CT 扫描中的多器官分割问题，提出了两项互补任务 —— 距离图回归和轮廓图检测 —— 以明确编码每个器官的几何特性，并在公共数据集上评估所提出的解决方案，对比实验结果表明，互补任务学习的加入在 Dice 评分方面达到了显著改进.

    Aug, 2019

  • 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

  • 深度学习在放疗中实现头颈解剖的临床可应用分割

    采用深度学习方法，训练了一种 3D U-Net 架构的自动分割算法，成功实现了 21 个头颈部放射敏感器官的自动分割，同时引入了表面 Dice 相似系数（surface DSC）一种能更好地反映纠正自动分割错误的临床任务的新指标，表明该模型在不同研究中心和国家具有较强的泛化能力，并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。

    Sep, 2018

  • 深度几何函数映射：形状对应的鲁棒特征学习

    提出了一种基于学习的方法，用于计算非刚性三维形状之间的对应关系。该方法利用从原始形状几何中直接学习的特征提取网络，结合一种基于功能映射表示的正则化地图提取层和损失函数，能够从比现有的监督方法少的训练数据中学习，并且比当前基于描述符学习的方法更加普适。

    Mar, 2020

  • 强度谱形匹配的无监督学习

    我们提出了一种新的基于学习的方法来进行 3D 形状匹配，可以在完全非监督的情况下进行训练，并可准确处理非等距形状、局部形状、不同离散化或拓扑噪声的形状。

    Apr, 2023

  • 3D 医学图像自监督预训练中的几何视觉相似性学习

    提出新的几何学视觉相似性学习范式，将拓扑不变性的先验性质嵌入到 3D 医学图像的图像相似度测量中，以实现具有一致性的表示语义区域，从而提高内场、相场和全局 - 局部转移能力。

    Mar, 2023

  • QUIZ：医学影像配准的任意体积点匹配方法

    通过提出一种基于任意体素兴趣点匹配的医学图像配准新方法 QUIZ（query point quizzer），利用卷积神经网络进行特征提取和 Transformer 结构提取全局匹配点查询，通过平均位移进行局部图像刚体变换，我们验证了该方法在大变形数据集（宫颈癌患者）上的有效性，结果表明与当前最先进方法相比具有更小的偏差，令人瞩目的是，即使在交叉模态主题下，该方法也取得了超过当前最先进方法的结果。

    Sep, 2023