Jan, 2024

变形图模型的竞赛：基于 B 样条和网格的多目标可变形图像配准

PDF
TL;DR直接比较了使用相同最新多目标优化方法的 B 样条模型和网格模型的转换模型，并在两个基于盆腔 CT 扫描的宫颈癌患者注册问题上实验证明，转换模型的选择对实现的注册结果的多样性和质量产生了深远影响。
transformation modelsb-spline modelsmesh modelsoptimization methodsdeformable image registration
发现论文，激发创造
  • 基于双单纯网格的多目标可形变图像配准在三维医学图像上的证明

    通过使用多目标优化方法和双动态网格变换等技术，本文提出了一种解决医学图像中大幅度变形和内容不匹配问题的多目标三维变形图像配准方法，并实现了良好的效果。

    Feb, 2022

  • 可变形图像配准的循环注册神经网络

    采用递归对齐的方式，使用循环注册神经网络计算每个元素的局部变形，最终的空间对齐由所有局部变形的总和得到；使用该方法可以检测图像中非对齐的区域并学习如何适当地进行本地注册。在用于肺部磁共振图像的实验中，该方法与当前标准的参数化 B 样条配准方法相比，准确性不相上下，但给出了更紧凑的变换表示，并且加速了约 15 倍。

    Jun, 2019

  • MOREA: 用于三维医学图像多目标变形配准的 GPU 加速进化算法

    本研究提出了 MOREA，这是第一个基于进化算法的多目标方法，用于可变形医学图像配准，能够应对大变形，并且采用完全 GPU 加速的 3D 生物力学网格模型， 在 4 个人的腹部 CT 扫描中表现得更好。

    Mar, 2023

  • FireANTs：自适应黎曼优化用于多尺度同胚配准

    本文提出了基于多尺度自适应黎曼优化算法的可微分图像配准，该算法在结构和地标覆盖度量上显示出了令人信服的改进，并在现有算法的基础上加速了 300 倍至 2000 倍。

    Apr, 2024

  • GSMorph：基于梯度的手术对 cine-MRI 心脏变形配准的应用

    本文提出一种基于梯度手术机制的注册模型 GSMorph，实现多重损失的超参数自由平衡，在两种公开的心脏 MRI 数据集上实现了优于五种 SOTA 学习型注册模型和两种传统注册技术 SyN 和 Demons 的注册精度和平滑度。

    Jun, 2023

  • 一种用于松弛雅可比行列式约束的差函一致性变分模型

    本文提出了一种具有雅可比方程软约束的新型双变量微分同胚图像配准模型，该模型允许局部变形在一个灵活的范围内收缩和扩大，通过优化松弛函数来明确控制变换的雅可比行列式，并采用正则化器来确保松弛函数的平滑性。数值实验表明，所提出的算法收敛性强，正性约束能控制相对体积的范围而不影响配准准确性。此外，相对于其他几种现有的配准模型，该模型在大变形下产生了微分同胚映射并取得了更好的性能。

    Aug, 2023

  • 用于多模式图像配准的对抗单模态和多模态流网络

    提出一种新颖的基于翻译的无监督可变形图像配准方法，该方法利用双流方式调节变形场以实现更好的配准性能，并使用计算效率高的相似度度量对多模态配准网络进行有效训练，并在两个临床数据集上验证了其优越性能。

    Jul, 2020

  • TransMorph: 无监督医学图像配准的 Transformer 模型

    本文提出了 TransMorph，一种混合了 Transformer-ConvNet 模型的医学图像配准方法，并通过验证证明，该方法在医学图像配准方面性能显著优于基线方法，从而证实了 Transformer 在医学图像配准方面的有效性。

    Nov, 2021

  • 多模式非监督脑图像配准使用边缘地图

    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

  • 具有随机正则化生物力学平衡的可变形图像配准

    这项研究介绍了一种不需要离散化的正则化策略，它在医学图像配准中保留了物理上激励的优势，同时与当前的配准框架兼容，并在合成和真实数据集中表现出与当前最先进方法相当的准确性。

    Dec, 2023