自适应图像配准：融合深度学习和优化函数的混合方法以提升精度

Nov, 2023

自适应图像配准：融合深度学习和优化函数的混合方法以提升精度

Adaptive Image Registration: A Hybrid Approach Integrating Deep Learning and Optimization Functions for Enhanced Precision

PDF

Gabriel De Araujo, Shanlin Sun, Xiaohui Xie

TL;DR本研究旨在将学习方法和优化方法结合，使用学习方法的输出作为优化的初始参数，并根据图像对的损失进行计算，从而在保持相同推理时间和形变场平滑度仅降低 0.8% 的情况下，通过使用最佳性能的先进模型作为框架的骨干，在测试中获得了 0.3% 的改进。

Abstract

image registration has traditionally been done using two distinct approaches: learning based methods, relying on robust deep neural networks

image registration learning based methods optimization-based methods deep neural networks streamlined framework

发现论文，激发创造

深度隐式优化用于鲁棒和灵活的图像配准

采用深度学习在图像配准中，该方法结合优化与学习方法，在深度网络中使用优化图层来训练预测多尺度密集特征图像，在特征空间中保证了自学习特征的配准最小值和瓦普函数，并具有良好的性能和通用性。

Jun, 2024

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

具有条件变形卷积神经网络的图像配准

本文提出一种用于深度可变形图像配准的新的有条件图像配准方法和自监督学习范式，通过学习与正则化超参数相关的条件特征，论文证明了单个深度卷积神经网络能够捕捉任意超参数的最优解，并且所得到的变形场平滑度可以在推理过程中以任意强度已调，大规模脑 MRI 数据集的丰富实验结果表明，该方法可实现对变形场平滑度的精确控制，同时不会牺牲运行时间的优势或配准准确性。

Jun, 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

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

一种用于图像强注册的人工智能代理

在医疗应用中，我们提出了一种新的基于策略学习的 3D 图像配准方法，该方法通过深度 CNN 学习最优运动序列来实现图像对齐，该方法在两个医疗图像配准实验中表现出比现有方法更高的准确性和鲁棒性。

Nov, 2016

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

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

点云配准综述

本篇综述介绍了同源和异源点云配准的优化和深度学习方法，并总结了二者之间的关系。同时，本文还创建了一套新的评估基准来解决异源挑战，并讨论了不同领域中的点云配准应用。最后，本文提出了这个快速发展领域的潜在研究方向。

Mar, 2021

基于概率密集位移网络缩小深度与传统图像配准之间的差距

提出了一种基于概率密度优化和深度学习的非线性医学图像配准方法，该方法通过近似最小卷积和平均场推断进行可微位移正则化，在少量标记的扫描中可实现较高准确度。

Jul, 2019