基于几何深度学习的无监督多模态表面配准

Nov, 2023

Unsupervised Multimodal Surface Registration with Geometric Deep Learning

Mohamed A. Suliman, Logan Z. J. Williams, Abdulah Fawaz, Emma C. Robinson

TL;DR该研究介绍了 GeoMorph，一种用于皮层表面图像配准的新型几何深度学习框架。通过应用图卷积进行独立特征提取和深度离散注册，GeoMorph 能够捕捉重要的皮层表面特征，并实现平滑且符合生物学的变形，展现出出色的性能和潜力，适用于多种神经科学应用。

Abstract

This paper introduces geomorph, a novel geometric deep-learning framework designed for image registration of →

发现论文，激发创造

本文提出了一种基于无监督深度学习的多模态图像配准方法，该方法利用图像梯度幅度来作为辅助信息，通过三种不同的损失函数比较证明该方法能提升多模态配准的准确性且运行时间不受影响。

Feb, 2022

引入了 DeepGMR 算法，该算法是首个显式利用概率注册范例的基于学习的点云配准方法，利用混合高斯模型模拟两点云之间的概率分布，通过神经网络和两个可微计算块进行配准，从而实现产生全局注册方法的目的。该方法在合成和真实数据上均表现出比几何和基于学习的配准方法更好的性能。

Aug, 2020

本文介绍一种基于概率生成模型和卷积神经网络的无监督学习算法，该算法融合了经典形变配准技术的思想，达到了先进的精度和速度，并提供拓扑保持的注册保证。作者在 3D 脑部配准任务上进行了广泛的实证分析。

Mar, 2019

本文提出了一种基于概率生成模型和卷积神经网络的非监督学习方法，实现了高效且拓扑保持的形变配准，同时得到了不确定性估计。

May, 2018

VoxelMorph 是一个快速的用于变形匹配的学习框架，可加速医学图像分析和处理管道，我们探索了两种不同的训练策略并演示了其准确性和速度优势。

Sep, 2018

KeyMorph 是一种基于深度学习的图像配准框架，其利用检测到的对应关键点获取最佳变形，以及解决了目前图像配准中的一些问题。该框架在多模式脑 MRI 扫描的 3D 仿射和样条配准中展现出了超越当前最先进方法的准确性。

Apr, 2023

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

我们提出了一个基于神经网络和优化算法的 3D 扫描配准框架，可以对实际数据进行高精度的配准，优于现有的同类方法。

Apr, 2020

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

该研究提出了一种基于深度学习和拟共形几何的方法，用于处理局部人脸数据的三维人脸注册，其通过使用曲率信息检测面部特征并估计其对应的坐标，从而建立局部人脸和模板表面之间的密集对应关系，实现点对点的几何差异估计及形状比较。

May, 2024