变形医学图像配准的相关感知粗到细多层感知器
使用改进的卷积神经网络进行体积图像配准,提供增强的感受野,减少参数并在受限的训练数据集上取得与基于 Transformer 方法相当甚至稍好的性能。
Jun, 2024
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
本研究针对医学图像恢复、配准和分割等医学视觉任务中的密集预测问题,提出了一种以多层感知器为基础的全分辨率分层框架,通过利用全图像分辨率下的组织级纹理信息,该框架可以在医学图像上实现长程依赖关系,并在多个公共数据集上的广泛实验中展示出超越卷积神经网络和 Transformer 的最先进性能。
Nov, 2023
本文提出了 TransMorph,一种混合了 Transformer-ConvNet 模型的医学图像配准方法,并通过验证证明,该方法在医学图像配准方面性能显著优于基线方法,从而证实了 Transformer 在医学图像配准方面的有效性。
Nov, 2021
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
本研究提出了一种非迭代粗到精变换网络 (NICE-Trans) 用于图像配准,它是第一种在单个网络中执行联合仿射和可变形的粗到精变换的深度配准方法,并将 Transformer 嵌入到 NICE 配准框架中以建模图像之间的远程相关性。通过与七个公共数据集的广泛实验表明,我们的 NICE-Trans 在配准精度和运行时间上优于现有的配准方法。
Jul, 2023
提出了一种名为 MrRegNet 的基于掩膜引导的编码器 - 解码器深度卷积神经网络(DCNN)图像配准方法,通过多分辨率编码器提取特征并在解码器中估计多分辨率位移场来处理图像的大变形,并使用分割掩膜指导模型的注意力对齐局部区域,实验结果证明该方法在公开的 3D 脑 MRI 数据集(OASIS)和局部 2D 脑 MRI 数据集上的大变形图像中优于传统方法(如 Demons)和知名的深度学习方法 VoxelMorph,尤其在由分割掩膜引导的局部区域图像配准准确性显著提高。
May, 2024
EfficientMorph 是一种基于 transformer 的无监督三维图像配准架构,通过平面注意机制优化本地和全局注意的平衡,通过级联组注意减少计算冗余,并通过 Hi-Res 令牌化策略捕捉细节,同时保持计算效率,在 OASIS 数据集上创下了 16-27 倍少参数的性能新纪录。
Mar, 2024
本文提出一种用于深度可变形图像配准的新的有条件图像配准方法和自监督学习范式,通过学习与正则化超参数相关的条件特征,论文证明了单个深度卷积神经网络能够捕捉任意超参数的最优解,并且所得到的变形场平滑度可以在推理过程中以任意强度已调,大规模脑 MRI 数据集的丰富实验结果表明,该方法可实现对变形场平滑度的精确控制,同时不会牺牲运行时间的优势或配准准确性。
Jun, 2021
通过应用金字塔形网络结构、多尺度注意力和 CNN 特征提取,我们提出了一种称为金字塔医疗变压器(PMTrans)的新型方法,可以更好地处理医学图像分割任务。在三个医学图像数据集上的实验结果表明,PMTrans 相较于最新的基于 CNN 和变压器的模型,具有更好的性能。
Apr, 2021