Mar, 2024

ModeTv2：基于 GPU 加速的运动分解变换器在医学图像配准中的成对优化

PDF
TL;DR本研究介绍了一种采用金字塔网络和增强型运动分解 Transformer (ModeTv2) 操作符的可变形图像配准方法，展示了与传统方法相似的优越的成对优化（PO）能力。通过使用 CUDA 扩展重新实现 ModeT 操作符以提高计算效率，并提出了 RegHead 模块以改进变形场的真实性和减少参数。采用成对优化（PO），所提出的网络在两个公开的脑 MRI 数据集和一个腹部 CT 数据集上进行了广泛实验证明其适用于 PO，提供了一种具有增强的易用性和可解释性的深度学习模型。代码公开可用。
发现论文，激发创造
  • 通过运动分解 Transformer 学习可变形图像配准

    本文提出一种新颖的运动分解 Transformer (ModeT), 用于像医学图像配准中的非刚性变形估计，出色地超越了当前最先进的配准网络和 Transformer, 并展示了我们的 ModeT 的潜力。

    Jun, 2023

  • 快速预测图像配准

    本研究提出了一种基于图像外观的补丁级信息来预测图像变形的方法，通过设计一个深度编码器 - 解码器网络来学习图像外观与图像配准参数之间的像素 / 体素映射，特别针对 LDDMM，通过预测 LDDMM 动量参数化，使计算时间大幅减少。同时，我们创建了贝叶斯概率版本的网络，允许在测试时间使用 dropout 的蒙特卡罗采样来评估变形场的不确定性。

    Jul, 2016

  • 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

  • 基于深度学习的快速准确肺癌三维 CT 可变形图像配准

    该研究开发了一种基于视觉转换的非对称自编码器网络，可以从 2D 的 kV 图像中重建出 3D CT 图像，实现了患者定位精度的提高。

    Apr, 2023

  • 双流金字塔配准网络

    提出了一种双流金字塔配准网络（称为 Dual-PRNet），用于无监督的三维医学图像配准，该网络采用两种流体系结构，能够从卷积特征金字塔中计算多尺度的配准场，并通过逐步变形以逐步细化配准场，能够处理大的空间或切片空间中的重要变形，该方法在两个标准的大脑 MRI 配准基准测试中表现优异。

    Sep, 2019

  • 具有拉普拉斯金字塔网络的大变形形变图像配准

    本研究提出了一种基于深度学习的 Laplacian 金字塔图像注册网络，可以在差分同胚映射空间内以逐层逼近的方式解决图像配准优化问题，并在两个 MR 脑扫描数据集上得出了比现有方法更优越的结果，同时保持理想的差分同胚性和良好的配准速度。

    Jun, 2020

  • 金字塔注意力网络用于医学图像配准

    我们提出了金字塔注意力网络（PAN）用于可变形医学图像配准，通过引入双流金字塔编码器和局部多头注意力变换器实现特征表示和分析运动模式，取得了较好的配准性能。

    Feb, 2024

  • 平面物体跟踪的单应性分解网络

    本文提出了一种基于 Homography Decomposition Networks（HDN）的新方法，通过将单个参数空间分解成两个组来稳定计算条件数，它包括了相似变换估计器，卷积等变网络，简单回归模型来实现残差变换，用半监督方式训练，实验证明，在 POT、UCSB 和 POIC 数据集上，比当前最先进的平面跟踪方法表现优异。

    Dec, 2021

  • Mixed-TD：具有层特定张量分解的高效神经网络加速器

    本文提出了一种基于混合张量分解方法 (Mixed-TD) 将卷积神经网络 (CNN) 映射到 FPGA 上的框架，该方法采用了层特定的奇异值分解 (SVD) 和标准分解 (CPD)，每个 DSP 可以实现与最先进的 CNN 的 1.73x 至 10.29x 的吞吐量。

    Jun, 2023

  • TransPose: 一个基于 Transformer 的六自由度物体姿态估计网络与深度修正

    该研究提出了一种改进的基于 Transformer 的 6D 位姿估计方法 TransPose，它利用 RGB 图片作为输入，结合轻量级深度估计网络和变压器检测网络，并通过深度细化模块对位姿进行精度优化，在果树采摘应用方面取得了优于其他现有方法的效果。

    Jul, 2023