VoxelMorph是一个快速的用于变形匹配的学习框架,可加速医学图像分析和处理管道,我们探索了两种不同的训练策略并演示了其准确性和速度优势。
Sep, 2018
本文介绍了一种基于深度学习框架的三维医学图像配准方法,结合仿射配准和向量动量参数固定速度场(vSVF)模型,具有速度快、精度高、可对称变换等特点,在磁共振成像方面表现出了优异的性能。
Mar, 2019
本研究提出了一种新颖、高效的非监督对称图像配准方法,通过在微分同胚映射空间内最大化图像之间的相似度,同时估计正向和反向变换来实现高精度的配准,同时保持所需的微分同胚特性。
Mar, 2020
本文提出了一种有效使用区域匹配的指导方针,并结合对称强度匹配的局部特征几何形状精炼方法,将不确定性传递到RANSAC中,并适应样本手性检查来进行单应性估计;实验结果表明,按照本文提出的指导方针,仿射求解器可以在更快的运行时间内实现与基于点的求解器同样的准确性。
Jul, 2020
通过卷积神经网络同时预测畸变图和恒定速度场参数化,利用成对图像对齐损失以提高医学图像配准精度,实现了3D膝关节磁共振成像的快速、端到端训练和测试,且表现优于其他同类算法。
Feb, 2022
本文提出一种快速且鲁棒的学习算法 C2FViT 用于 3D 医学图像配准,其应用了视觉 Transformer、多分辨率策略和联合仿射非参数配准进行学习,相对于现有的基于 CNN 的仿射配准方法在准确度、鲁棒性和泛化能力上均具优越性,同时保留了基于学习的方法的运行速度优势。
Mar, 2022
本文介绍了一种基于深度学习的快速、稳健、易于使用的工具,用于进行任何脑图像的仿射变换和变形配准,无需预处理,即可完成。我们使用神经影像数据集仔细分析了深度学习方法,发现配准的准确性可以得到保证。同时,我们结合了变形配准和空间标签匹配来实现无需预处理的脑部解剖配准方法。
Jan, 2023
本文提出了一种基于深度学习的框架(COSPI)解决2D/3D图像配准问题,包括参数初始化模块和细微注册网络,使用多尺度特征提取和特殊的训练技术,论文实验证明COSPI方法在精度和运行时间方面优于现有的学习和优化方法,具有很好的初始姿态估计潜力。
May, 2023
本研究旨在将学习方法和优化方法结合,使用学习方法的输出作为优化的初始参数,并根据图像对的损失进行计算,从而在保持相同推理时间和形变场平滑度仅降低0.8%的情况下,通过使用最佳性能的先进模型作为框架的骨干,在测试中获得了0.3%的改进。
Nov, 2023
本研究解决了可变形医学图像配准中的复杂变形挑战,提出了一种基于多尺度双重注意力频率融合(DAFF-Net)的多任务学习框架。该框架通过双重注意力模块在单步估计中同时实现分割掩码和密集变形场,显著提高了配准图像的解剖一致性,可有效应用于监督和无监督注册任务。实验结果显示,DAFF-Net在多项评价指标上优于现有的配准方法,凸显其在医学影像分析中的潜在影响。
Sep, 2024