可变形图像配准的高斯表示
基于隐式神经表示的连续时空图像变形 (Continuous-sPatial-Temporal DIR,CPT-DIR) 方法显著提高了图像配准的准确性、自动化和速度,特别是在具有挑战性的区域,优于传统的 B 样条方法。
May, 2024
该研究提出了一种新颖的方法,利用神经图形原语(NGP)来优化位移向量场(DVF),通过浅层神经网络在空间内插值来进行自我监督优化,达到了 1.77 秒的非常快的速度,并且解决了传统 DIR 方法中常见的滑动边界问题。
Feb, 2024
该研究介绍了一种新的方法,在医学影像中自适应地调整边界条件,通过在逐像素的基础上进行边界条件的优化,实现了两项不同任务的优化图像配准,分别是单模态 CT 胸部配准和腹部 CT 到 MRI 配准。
May, 2024
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
本文提出了一种基于学习的算法,用于变形、两两匹配的三维医学图像注册,通过使用卷积神经网络(CNN)模型并利用一个空间变换层,从而实现快速计算新的扫描成像时的配准场,且无需监督信息。我们可以在不破坏匹配场平滑性的前提下,底层地在一张图像中重构另一张图像,并在实践中将其速度提高数个数量级以上,从而有望显著加速医学图像分析和处理管道的速度,同时促进学习医学图像配准及其应用的新方向。
Feb, 2018
本文旨在创建一个深度学习框架,能够估计直接配准腹部 MRI 和 CT 图像的变形矢量场(DVF)。该方法以可微分形变为基础,利用从概率可微形变配准模型提取的保持拓扑特征来准确获取腹部运动,并将其用于 DVF 估计。该模型通过将在运动追踪中表现优越的 Swin transformers 集成到卷积神经网络(CNN)中进行形变特征提取。模型运用交叉模态图像相似度损失和表面匹配损失进行优化。计算图像损失时,采用变形 MRI 和 CT 图像之间的模态无关邻域描述符(MIND)。表面匹配损失通过测量 MRI 和 CT 图像的轮廓结构的变形坐标之间的距离来确定。将变形后的 MRI 图像与 CT 图像在目标配准误差(TRE)、Dice 相似系数(DSC)和平均表面距离(MSD)方面进行评估。与仅刚性配准相比,采用该方法的变形图像配准导致肝脏和门静脉的平均 DSC 值分别从 0.850 和 0.628 增加到 0.903 和 0.763,肝脏的平均 MSD 从 7.216 mm 降低到 3.232 mm,TRE 从 26.238 mm 降低到 8.492 mm。基于可微分变换器的提出的可变形图像配准方法为从腹部 MRI-CT 图像对生成精确的 DVF 提供了一种有效和高效的方式,可用于目前的肝脏放射治疗计划流程。
May, 2024
采用标签驱动式表达,利用卷积神经网络的密集位移场,通过最小化变形移动标签和固定标签的交叉熵函数,使医学图像的标志物在不同模态之间匹配,改进了医学图像的对齐性。
Nov, 2017
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
我们提出了一种新颖的全可微相关驱动网络,使用双分支 CNN-transformer 编码器从图像中提取并分离低频全局特征和高频局部特征,同时采用了基于嵌入信息的相关驱动损失进行特征分解,并使用了学习逼近凸形相似函数的训练策略。在内部数据集上的测试结果表明,我们的方法优于现有的全可微学习注册方法和传统的基于优化的基准线。
Feb, 2024
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。
Feb, 2024