May, 2024

CARL: 一种等变图像配准框架

PDF
TL;DR在多步骤深度配准网络中，通过仔细分析、引入 [U,U] 和 [W,U] 等相容性的概念，展示了在合适的多步骤配准设置中，只要第一步具有 [W,U] 相容性而其他步骤具有 [U,U] 相容性，则整体上就具有 [W,U] 相容性；同时，通过坐标 - 注意机制与位移预测修正层相结合，展示了实现多步骤 [W,U] 相容性的方法，实验结果在三维医学图像配准任务中取得了出色的实用配准性能，并超越了现有的非监督方法在腹部配准这一具有挑战性的问题上。
image registrationequivariancedeep registration networksdisplacement-predicting networkscoordinate-attention mechanism
发现论文，激发创造
  • 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

  • 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

  • 通用对应网络

    本文提出了一种深度学习框架，用于准确的视觉对应，并证明了其在几何和语义匹配中的有效性，提出了一种卷积空间变换器来模仿传统特征（如 SIFT）中的补丁归一化，广泛的 KITTI，PASCAL 和 CUB-2011 数据集的实验表明，与使用手工构建或学习特征的先前作品相比，我们的特征具有显着优势。

    Jun, 2016

  • 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

  • 使用循环一致的隐式表示进行强健的可变形图像配准

    使用循环一致的隐式神经表示的可变形配准方法，通过生成多种变形估计和进行优化，改善了配准准确性，并提供了可用于自动质量控制的健壮的不确定度指标。

    Oct, 2023

  • 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

  • 用对抗性变形正则化训练图像配准神经网络

    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

  • 无需训练数据的基于自监督全卷积网络的非刚性图像配准

    本文提出了一种新型的基于卷积神经网络的非刚性图像配准算法，通过优化和学习不同尺度下的空间变换以及卷积神经网络，实现了对 3D 结构脑磁共振图像更好的配准效果。

    Jan, 2018

  • 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

  • 使用深度自监督全卷积网络进行非刚性图像配准

    本文提出了一种基于全卷积网络优化并学习图像之间空间变换的新型非刚性图像配准算法，实现了多分辨率下空间变换和网络学习的联合优化，并且在注册 3D 结构性脑磁共振（MR）图像方面表现比最先进的图像配准算法更好。

    Sep, 2017