使用循环一致的隐式表示进行强健的可变形图像配准

Oct, 2023

使用循环一致的隐式表示进行强健的可变形图像配准

Robust deformable image registration using cycle-consistent implicit representations

Louis D. van Harten, Jaap Stoker, Ivana Išgum

TL;DR使用循环一致的隐式神经表示的可变形配准方法，通过生成多种变形估计和进行优化，改善了配准准确性，并提供了可用于自动质量控制的健壮的不确定度指标。

Abstract

Recent works in medical image registration have proposed the use of Implicit Neural Representations, demonstrating performance that rivals state-of-the-art learning-based methods. However, these implicit representations need to be optimized for each new image pair, which is a stochasti

medical image registration implicit neural representations deformable registration cycle-consistent optimization method uncertainty metric

发现论文，激发创造

CycleMorph: 无监督可变形图像配准的循环一致性方法

本文提出了一种基于循环一致性的可变形图像配准方法，通过提供隐式正则化来保持变形过程中的拓扑性，解决了深度学习图像配准方法在拓扑性保留方面的缺陷。实验结果表明，所提出的方法在医学和非医学应用中的各种数据集上提供了有效和准确的图像配准，可在几秒钟内处理多样化的图像对。

Aug, 2020

循环一致卷积神经网络无监督可形变图像配准

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

无监督可变形图像配准的反向一致深度网络

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

多步深度配准的构建反一致性

提出了一种将神经网络逆一致化的简单技术，通过构建其结构，只要它将输出变换参数化为李群。将该技术扩展到多步神经注册，通过以保持逆一致性的方式组成许多这样的网络。我们在合成的 2D 数据和四个 3D 医学图像配准任务上评估了我们的技术，在确保逆一致性的同时获得了出色的配准精度。

Apr, 2023

基于循环一致性的神经网络不确定性量化在逆向成像问题中的应用

本文介绍了基于循环一致性的深度神经网络不确定性量化方法，通过建立前向 - 后向循环并进行回归分析，获得神经网络预测的不确定性评估。此方法可广泛应用于解决反问题的各种神经网络中。

May, 2023

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

生成对抗网络用于 MR-CT 可变形图像配准

本研究通过用 cycle-GAN 学习两个模态之间的强度关系，改善了 CT 和 MR 图像的配准问题，并探讨了使用 cycle-GAN 合成的图像减少空间信息对模式对位的影响。

Jul, 2018

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

无监督图像配准以提高心脑图像分析的性能和可解释性

本文提出了一种无监督深度学习配准方法，采用双向交叉模态图像合成提高正逆一致性，实现了跨不同 MRI 模态、时间和层面的解剖学变换，获得了优于基准方法的多模态脑部 2D 和 3D MRI 以及单模态心脏 4D MRI 数据实验结果。

Mar, 2022

MICDIR：基于 UNetMSS 和自构建图潜变量的多尺度逆一致性可变形图像配准

本文提出了三种改进 Voxelmorph 方法的方式，包括使用多尺度 UNet 集成模型、引入 SCGNet 对给定的成对图像进行模型构建和改进模型来使形变逆一致。将提出的方法应用于 MRI 脑注册任务中，得到了比 ANT 和 VoxelMorph 更好的结果。

Mar, 2022