医学图像配准的循环推理机
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
图像配准是一种将图像变形以使其与参考空间对齐的过程,以便医学从业者可以在标准化的参考框架中检查各种医学图像,如具有相同的旋转和比例。本文介绍了使用简单的数字示例进行图像配准的过程,并提供了图像配准的定义以及空间定向象征性表示。同时,探讨了不同类型的图像转换,包括仿射、可变形、可逆和双向转换,以及医学图像配准算法,例如 Voxelmorph、Demons、SyN、迭代最近点、SynthMorph。此外,还讨论了基于图谱的配准和多阶段图像配准技术,包括粗细和金字塔方法。此外,该综述论文讨论了医学图像配准分类法、数据集、评估指标(如基于相关性的度量、基于分割的度量、处理时间和模型大小)以及在图像引导手术、运动跟踪和肿瘤诊断方面的应用。最后,该文还探讨了未来研究方向,包括进一步发展变形器。
Sep, 2023
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
通过训练循环神经网络掌握算法构建,我们提出了基于学习的循环推理机(RIM)框架以实现超越领域特定知识的抽象,并在多个图像修复实验中取得了最先进的性能,包括图像去噪和超分辨率任务,并具有优良的跨任务泛化性能。
Jun, 2017
过去十年来,深度学习技术在医学图像配准领域取得了很大进展。本文对深度学习技术在图像配准中的最新进展进行了综合概述,包括网络结构、损失函数、注册不确定性估计方法和评估指标等方面,并探讨了这些新技术在医学影像中的实际应用和未来前景。
Jul, 2023
INFusion 是一种技术,通过使用预训练的扩散模型,为基于学习的隐式神经表示(INRs)的优化提供正则化,以改善图像重建。2D 实验证明了使用我们提出的扩散正则化改进了 INR 训练的效果,而 3D 实验则证明了在 256x256x80 大小的 3D 矩阵上使用扩散正则化进行 INR 训练的可行性。
Jun, 2024
本研究论文调查了流行的基于深度学习的图像配准方法的模型行为,并提出了一种基于正规化的新颖的合理性验证方法来减少逆一致性错误并同时增加鉴别能力。通过实验结果支持理论发现,证明了该方法在提高模型合理性方面的有效性。
Jul, 2023
本文提出了一种无监督深度学习配准方法,采用双向交叉模态图像合成提高正逆一致性,实现了跨不同 MRI 模态、时间和层面的解剖学变换,获得了优于基准方法的多模态脑部 2D 和 3D MRI 以及单模态心脏 4D MRI 数据实验结果。
Mar, 2022