采用标签驱动式表达,利用卷积神经网络的密集位移场,通过最小化变形移动标签和固定标签的交叉熵函数,使医学图像的标志物在不同模态之间匹配,改进了医学图像的对齐性。
Nov, 2017
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
该研究提出了一种弱监督的 MRI 和组织病理学图像的仿射和可变形配准方法,用于早期检测前列腺癌,可以减轻需要前列腺分割的负担,并取得了比其他方法更高的准确度。
Jun, 2021
本文提出了一种基于深度学习的框架,联合学习图像配准和图像分割网络,在考虑到现有分割数据的情况下,同时提高分割和配准的准确性,并利用配准产生的数据增强对分割网络进行训练,实现在有限的训练数据集上训练高质量的模型。在膝盖和脑部 MRI 图像上,与以往研究相比,我们的方法具有更高的分割和配准准确度,且只需用一张标记图像就可实现 2.7% 和 1.8% 的 Dice 分数提升。
Apr, 2019
该研究提出了使用对抗学习的方法,在代替传统的位移平滑测量方法的同时,利用生物力学模拟来规范弱监督的标签驱动的图像配准网络,以配准前期磁共振成像(MRI)和三维术中经直肠超声成像(TRUS)。研究表明,该方法可以帮助预测具有物理合理性的变形,而不需要用到其他平滑度惩罚。
May, 2018
图像配准的目标是通过稠密位移场或参数化变换(如刚性、仿射和样条)在两个或多个图像之间建立空间对应关系。本文提出了一种新的对应关系表示方法,即一组相应感兴趣区域(ROI)对,通过实验证明具有足够的表示能力。并将图像配准定义为在图像对上搜索相同对应 ROI 集合的问题,并且提出了一种不需要训练数据、梯度微调或工程化提示的 SAMReg 算法。实验证明,SAMReg 在三个临床应用中(前列腺 MR、心脏 MR 和腹部 CT 图像的配准)能够准确完成分割和匹配多个 ROI 对,且在解剖结构的 Dice 系数和目标配准误差等度量指标上表现优于基于强度的迭代算法和基于学习的预测位移场算法,甚至能够与需要完全分割的弱监督注册方法相媲美。
May, 2024
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
本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术,并在多个医学图像数据集上进行了验证和表现优于其他方法。
Feb, 2019
本研究介绍了一种半监督框架,通过一个辅助模型和一个自我纠正模块,在只有一小部分完全有监督图像的基础上,使用具有目标边界框标签的图像和只有目标边界框标签的图像集(称为弱集),训练出高质量的语义分割模型,这种方法比传统大量完全有监督数据模型要求的标注工作量减少~7 倍。
Nov, 2018
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。