Sep, 2024

多尺度双重注意力频率融合用于联合分割与可变形医学图像配准

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 基于标签驱动的弱监督学习用于多模态变形图像配准

    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

  • 可变形医学图像配准的无监督学习模型

    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

  • VoxelMorph：用于可形变医学图像配准的学习框架

    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

  • 一种混合深度学习框架：用于整合分割和配准，以评估纵向白质束变化

    本研究提出了一种新型的混合卷积神经网络，将分割和配准集成到单个过程中，同时应用于白质束的分割，数量为N = 8045。该方法与使用现有分割方法结合传统可变形配准算法的两个多阶段流水线进行比较，证明了其显著更高的准确性、一致性和可再现性，具有用于支持临床和流行病学分析的潜力。

    Aug, 2019

  • 双流金字塔配准网络

    提出了一种双流金字塔配准网络（称为Dual-PRNet），用于无监督的三维医学图像配准，该网络采用两种流体系结构，能够从卷积特征金字塔中计算多尺度的配准场，并通过逐步变形以逐步细化配准场，能够处理大的空间或切片空间中的重要变形，该方法在两个标准的大脑MRI配准基准测试中表现优异。

    Sep, 2019

  • SynthMorph辅助下的结构感知和无需获取方式的联合配准

    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

  • 医学图像配准中的深度学习调查：新技术、不确定性、评估指标及未来发展

    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

  • AutoFuse：变形医学图像配准的自动融合网络

    提出了一种数据驱动的融合策略，用于可变形图像配准，通过自动优化融合策略，并结合自动融合网络和融合门模块，实现了更好的配准性能，超过了现有的无监督和半监督配准方法。

    Sep, 2023

  • 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

  • NestedMorph：利用嵌套注意机制增强可变形医学图像配准

    本研究解决了不同模态医学图像配准中的非线性对齐问题，提出了NestedMorph模型，通过嵌套注意力融合方法提升了T1加权MRI与扩散MRI数据之间的可变形配准精度。实验结果表明，NestedMorph在SSIM、HD95和SDlogJ等关键指标上优于现有方法，展示了其在可变形医学图像配准中的应用潜力。

    Oct, 2024