Nov, 2023

利用放射维度特征分析进行自动 MRI 关键点检测：优化图形应用

PDF
TL;DR利用基于放射学特征的关键点检测方法，本研究证明了在图神经网络中的关键点在改进配准过程中的解剖学意义，并展示了图神经网络在图像匹配方面的卓越性能，为拓展图神经网络在图像分类、分割和配准等多个应用领域铺平了道路。
graph neural networkskeypoint detectionradiomic featuresimage matchinggnn applications
发现论文，激发创造
  • 基于形态学的交互式关键点估计

    提出了一种使用深度神经网络的自动医学影像识别方法，通过用户交互式系统可以检测和修正医学影像中的解剖关键点，达到减少人工修订成本的目的。

    Sep, 2022

  • 基于可匹配关键点辅助图神经网络的特征匹配学习

    提出了 MaKeGNN 算法，它是一种稀疏的基于注意力机制的 GNN 模型，能够忽略不可重复的关键点并利用可匹配的关键点指导精简而有意义的信息传递，在相对相机估计、基础矩阵估计和视觉定位等方面实现了最先进的性能，并显著降低了计算和内存复杂度。

    Jul, 2023

  • 使用图神经网络从功能磁共振成像中发现神经系统疾病的稳健生物标志物：综述

    通过模型解释技术，本文综述了图神经网络在功能磁共振成像数据集上应用于疾病预测任务中的应用，特别关注所生成的神经变性疾病和神经精神障碍的潜在生物标记的稳健性，并建议建立新的标准来评估这些潜在生物标记的稳健性。

    May, 2024

  • 基于池化正则化的图神经网络在 fMRI 生物标志物分析中的应用

    研究使用图神经网络分析脑网络结构数据中与某些神经系统疾病相关的生物标志物。提出了一种可解释的 GNN 框架，其中包括一种新颖的显著区域选择机制和设计新颖的规则化池化层，以突显感兴趣区域（ROI），从而推断哪些 ROI 重要于识别某些疾病。在自闭症神经影像数据集上应用 PR-GNN 框架并展示其在分类准确性方面的优越性及与以往自闭症神经影像现出的生物标志物结果的高度一致性。

    Jul, 2020

  • 用于解读任务 fMRI 生物标志物的图神经网络

    通过使用图神经网络和 fMRI 数据，开发出含有两个阶段的流程来识别 ASD 的生物标志物，并发现证据为 GNN 分类器使用的大脑区域 / 子图。

    Jul, 2019

  • 当放射学报告生成遇见知识图谱

    本文介绍了使用预构建图嵌入模块（图卷积神经网络建模）来辅助放射图像报告生成的方法，该方法可以对多种疾病发现进行专门的特征学习并建立它们之间的关系，同时提出了用于医学图像报告的新的评估指标，并在公开数据集（IU-RR）上展示了该方法的优异性能。

    Feb, 2020

  • 基于拓扑自适应深度图学习的结构化地标检测

    本文提出了一种新的深度图形学习方法来进行精准的解剖面和医学（如手、骨盆）标志物检测，该方法结合了局部图像特征和全局形状特征，基于两个图卷积网络（GCNs）学习任务特定的结构。该方法在公共人脸图像数据集和 X 射线医学数据集上的实验结果表明，在鲁棒性和准确性方面的表现都优于先前的最新方法。学习到的图形拓扑的质量可视化证明了标志物背后物理上合理的连接。

    Apr, 2020

  • 强化特征点： 针对高级任务优化特征检测和描述

    该研究论文提出一种嵌入完整视觉流水线中的特征检测器训练方法，通过强化学习的原则克服关键点选择和描述符匹配的离散性，并通过实验表明该方法可以提高基于学习的特征检测器在任务中的准确性。

    Dec, 2019

  • Key.Net: 通过手工设计和学习卷积神经网络滤波器进行关键点检测

    介绍了一种新颖的关键点检测方法，该方法结合了手工制作和学习的 CNN 滤波器，使用浅层的多尺度架构，在网络中使用尺度空间表示，在不同的层面提取关键点，并设计了一种损失函数来最大化关键特征的可重复性，使用 ImageNet 数据集创建了合成数据用于训练并在 HPatches 基准测试中进行了评估，结果显示我们的方法在可重复性，匹配性能和复杂性方面优于现有的检测器。

    Apr, 2019

  • 自监督等变学习用于定向关键点检测

    本文提出了一种使用旋转卷积神经网络的自监督学习框架，通过生成的图像对和直方图来训练密集方向对准损失，从而学习检测具有鲁棒性的定向关键点，并在图像匹配和相机姿态估计基准测试中表现出优异的性能。

    Apr, 2022