Mar, 2024

uniGradICON: 医学图像配准的基础模型

PDF
TL;DR传统的医学图像配准方法通过优化转换模型的参数来实现，近期的深度配准网络非常快速且准确，但只适用于特定任务，本研究提出了 uniGradICON 模型，实现了对于多个数据集的优秀性能、适用于不同获取方式、解剖区域和模态的新配准任务的零样本能力，并提供了对于分布之外的配准任务的强大初始化，将学习型和传统的非深度学习方法的优势结合起来。
发现论文，激发创造
  • 通过梯度反变一致性实现近似微分同胚

    该研究提出了一种利用神经网络实现医学图像配准的方法，通过反向一致性惩罚促进转换规则性，并使用 'GradICON' 作为正则化器，从而在多种真实医学图像数据集上实现了最先进的配准精度。

    Jun, 2022

  • 通用影像编码器 DINOv2 用于医学影像配准

    利用一种训练免费的图像编码器，本文介绍了一种新的变形图像配准方法 DINO-Reg，并在医学图像配准领域中取得了第一名的成绩。这是将通用视觉基础模型应用于医学图像配准的首次尝试。

    Feb, 2024

  • 无监督图像配准以提高心脑图像分析的性能和可解释性

    本文提出了一种无监督深度学习配准方法，采用双向交叉模态图像合成提高正逆一致性，实现了跨不同 MRI 模态、时间和层面的解剖学变换，获得了优于基准方法的多模态脑部 2D 和 3D MRI 以及单模态心脏 4D MRI 数据实验结果。

    Mar, 2022

  • 无监督可变形图像配准的反向一致深度网络

    该研究提出了一种基于无监督深度学习的反变换一致性深度网络（ICNet）用于可变形图像配准，该方法使用反变换一致性和抗折叠约束以实现转换的微分同胚性，并在脑磁共振成像领域具有优越的性能。

    Sep, 2018

  • 多模态图像配准的弱监督卷积神经网络

    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

  • MICDIR：基于 UNetMSS 和自构建图潜变量的多尺度逆一致性可变形图像配准

    本文提出了三种改进 Voxelmorph 方法的方式，包括使用多尺度 UNet 集成模型、引入 SCGNet 对给定的成对图像进行模型构建和改进模型来使形变逆一致。将提出的方法应用于 MRI 脑注册任务中，得到了比 ANT 和 VoxelMorph 更好的结果。

    Mar, 2022

  • 走向统一而有效的领域泛化

    我们提出了一个新颖的 $UniDG$ 框架，用于 $ extbf {D}$ 应 $ extbf {G}$ 泛化，它能够显著提高基础模型的超出分布泛化性能，而无论它们的体系结构如何。UniDG 的核心思想是在推断阶段微调模型，从而节省了迭代训练的成本。具体来说，我们鼓励模型以无监督的方式学习测试数据的分布，并对模型参数的更新步骤施加惩罚。这个惩罚项可以有效地减少灾难性遗忘问题，因为我们希望尽可能地保留原始模型中的宝贵知识。根据实证，对于 12 个视觉骨干，包括卷积神经网络（CNN）、多层感知器（MLP）和 Transformer-based 模型，参数范围从 1.89M 到 303M 个，UniDG 在 DomainBed 上平均准确度提高了 + 5.4%。这些性能结果证明了 UniDG 的优越性和多功能性。代码公开可用于此网址。

    Oct, 2023

  • 循环一致卷积神经网络无监督可形变图像配准

    本文介绍了一种基于深度神经网络和循环一致性的非监督医学图像配准方法，通过实验表明该方法能够在几秒钟内提供非常精确的三维图像配准，从而更准确地估计癌症大小。

    Jul, 2019

  • 通过循环训练实现更好的医学图像配准

    通过训练架构 Optron，将优化的深度学习模型与自动化训练过程相结合，用于医学图像配准，通过无监督训练的伪标签优化预测结果，提高模型性能和收敛速度，实现了在 IXI 数据集上的最新技术进展。

    Aug, 2023

  • TF-ICON: 基于扩散的无需训练的跨领域图像合成

    TF-ICON 是一种新颖的无需训练的图像合成框架，通过利用文本驱动的扩散模型实现跨领域的图像引导组合，并引入了异常提示符来准确地将真实图像反转为潜在表示，基于此进行图像合成，实验结果显示 TF-ICON 在多种数据集上优于先前的方法。

    Jul, 2023