- 基于双单纯网格的多目标可形变图像配准在三维医学图像上的证明
通过使用多目标优化方法和双动态网格变换等技术,本文提出了一种解决医学图像中大幅度变形和内容不匹配问题的多目标三维变形图像配准方法,并实现了良好的效果。
- CVPRNODEO: 基于神经常微分方程的弹性图像配准优化框架
该文介绍了一种新型、通用且准确的变形图像配准框架,该框架利用了神经普通微分方程来实现,可以应用于医学图像分析领域,使用深度神经网络来模拟动态系统,实现了图像之间的配准,并且可以同时使用多张图像,采用一致的变换方法。
- 具有条件变形卷积神经网络的图像配准
本文提出一种用于深度可变形图像配准的新的有条件图像配准方法和自监督学习范式,通过学习与正则化超参数相关的条件特征,论文证明了单个深度卷积神经网络能够捕捉任意超参数的最优解,并且所得到的变形场平滑度可以在推理过程中以任意强度已调,大规模脑 M - HyperMorph:图像配准的摊余超参数学习
HyperMorph 是一种学习的策略,可以用于可变形图像配准,其中使用摊销的超参数学习框架来学习超参数对形变场的影响。该方法可以通过单一的模型捕获具有连续内部的超参数值来加快计算速度,降低计算负担,并提高灵活性。
- 用于多模式图像配准的对抗单模态和多模态流网络
提出一种新颖的基于翻译的无监督可变形图像配准方法,该方法利用双流方式调节变形场以实现更好的配准性能,并使用计算效率高的相似度度量对多模态配准网络进行有效训练,并在两个临床数据集上验证了其优越性能。
- ICCV递归级联网络用于无监督医学图像配准
本文介绍了一种名为递归级联网络(recursive cascaded networks)的通用体系结构,可用于可变形图像配准。所提出的体系结构设计简单,可以建立在任何基础网络之上。整个系统是端到端的,并以无监督的方式共同训练。我们在 3D - 无监督可变形图像配准的反向一致深度网络
该研究提出了一种基于无监督深度学习的反变换一致性深度网络(ICNet)用于可变形图像配准,该方法使用反变换一致性和抗折叠约束以实现转换的微分同胚性,并在脑磁共振成像领域具有优越的性能。
- 生成对抗网络用于 MR-CT 可变形图像配准
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。
- 多模态图像配准的弱监督卷积神经网络
本文提出了一种基于卷积神经网络的方法,借助高水平结构对应信息(即解剖标记)推测像素变化,从而实现多模态图像对齐。结果表明,该方法具有广泛的适用性,可在训练过程中利用各种不同类型的解剖标记,并能实现实时自动化、无需标记或初始化的三维图像对齐。
- Quicksilver:一种快速的预测性图像配准深度学习方法
Quicksilver 是一种基于深度编码器 - 解码器网络的快速可变形图像配准方法,能够准确预测通过数值优化得到的配准结果,并具有出色的配准效果和预测精度,同时能够联合学习图像相似度度量和校准网络。