Feb, 2024

可变形图像配准的多目标学习

PDF
TL;DR通过将最近提出的多目标神经网络训练方法与深度神经网络相结合，本文填补了多目标深度学习变形图像配准的研究空白，并通过对盆腔磁共振成像扫描的配准实验，实验表明多目标深度学习变形图像配准方法相比于提供单一配准结果，在临床使用角度具有更多的优点，能够提供多个在不同目标权衡条件下的注册结果。实验还表明，相比于使用多个神经网络进行训练，从可能取值网格中抽样每个目标的权重，所提出的多目标深度学习变形图像配准方法能够在整个权衡前沿获得更好分布的配准结果。
deformable image registrationmulti-objectivedeep learningpelvic magnetic resonance imagingclinical use
发现论文，激发创造
  • 卷积神经网络实现端到端无监督可变形图像配准

    本文提出了一种卷积神经网络的深度学习应用，利用无监督优化相似度指标完成非迭代式的图像配准，具备传统配准方法一样高的精度，且实现时间大幅度缩短。

    Apr, 2017

  • 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

  • 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

  • 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

  • 生成对抗网络用于 MR-CT 可变形图像配准

    本研究通过用 cycle-GAN 学习两个模态之间的强度关系，改善了 CT 和 MR 图像的配准问题，并探讨了使用 cycle-GAN 合成的图像减少空间信息对模式对位的影响。

    Jul, 2018

  • 基于分离表示的多模态图像非监督可变形配准

    本文提出了一种基于无监督学习的多模态图像配准方法，采用图像分解的方法将多模态图像分解成通用潜在形状空间和独立潜在外观空间，并且通过因式分解潜在形状代码来进行配准，提出了两种评估网络的指标并与传统的多模态注册方法进行了比较，结果表明我们的方法在大大缩短计算时间的情况下取得了与其他方法竞争性的性能。

    Mar, 2019

  • 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

  • 深度网络解释性非监督多模态图像配准

    磁共振成像（MRI）的临床决策制定结合了多个 MRI 序列（定义为 “模态”）的补充信息。MRI 图像配准旨在几何地 “匹配” 来自不同模态、时间点和切片的诊断。无监督的多模态和多器官图像配准深度学习方法中，我们将基于 Grad-CAM 的可解释性框架纳入每个主要组成部分。我们的 DL 模型变得完全可解释，为将我们的方法推广到进一步的医学成像数据奠定了框架。

    Aug, 2023

  • 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

  • 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

    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。

    Nov, 2023