Jun, 2024

一种用于无监督可变形图像配准的轻量级残差网络

PDF
TL;DR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。
volumetric image registrationtransformersconvolutional neural networksreceptive fieldparameter reduction
发现论文，激发创造
  • TransMorph: 无监督医学图像配准的 Transformer 模型

    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

  • U-Net 和 Transformer: U-Net 在医学图像配准中是否已经过时？

    本研究旨在探究在医学图像配准领域中，基于 U-Net 神经网络是否比现代 transformer-based 方法更陈旧。通过提出一种大卷积核 U-Net 模型并在公共数据集和 MICCAI Learn2Reg 2021 挑战数据集上进行测试，结果表明新模型在参数和计算复杂度较低的情况下可以优于 state-of-the-art 的 TransMorph 模型及其他现有 transformer-based 方法，证明 U-Net 仍然在 inter-subject 和 atlas-based 3D 医学图像配准中具有优势。

    Aug, 2022

  • 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

  • 变形医学图像配准的相关感知粗到细多层感知器

    本研究提出了基于多窗口感知的 MLP 网络（CorrMLP）用于可变形医学图像配准，通过新颖的粗到细的配准架构捕捉细粒度的多范围依赖关系，进行多范围感知的粗到细配准，实验证明 CorrMLP 优于最先进的可变形配准方法。

    May, 2024

  • 非迭代的粗粒到细粒变换网络用于联合仿射和可变形图像配准

    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

  • 基于残差变换器的脑肿瘤分割的集成学习

    提出了一种将 Transformers 集成到自适应 U-Net 中的新型网络架构，以合理的计算成本提取出三维体积上下文，并探索集成方法，证明了组合多个架构以优化脑肿瘤分割的潜力。

    Jul, 2023

  • ViT-V-Net: 用于无监督容积医学图像配准的视觉变换器

    该论文提出了一种基于 ViT 和 ConvNets 的新架构 ViT-V-Net，实现了类医学图像的体积重建。实验结果表明，该方法在图像配准任务中具有优异的性能。

    Apr, 2021

  • EfficientMorph：高参数效率的基于 Transformer 的三维图像配准架构

    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

  • 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

  • MobileUtr: 重访轻量级 CNN 和 Transformer 之间的关系，用于高效的医学图像分割

    轻量级视觉转换 (ViT) 在高效医学图像分割中的应用挑战，本研究重新关注了 CNN 和 Transformer 在轻量级医学图像分割中的关系，并提出了一种融合两者优势的基础架构设计，实现了有效的医学图像分割模型 (MobileUtr)。在五个公开医学图像数据集上的广泛实验验证了 MobileUtr 的优越性，同时具备更轻的权重和更低的计算成本。

    Dec, 2023