Metamorphic image registration using a semi-Lagrangian scheme
Université de Paris（巴黎大学）；Télécom Paris（巴黎电信学院）；IPParis（巴黎理工学院）
在本文中，我们提出了一种实现大变形几何度量映射（LDDMM）和变形图像配准使用半拉格朗日计划测地线拍摄。我们建议解决这两个问题作为一个不精确的匹配提供一个单一的和统一的成本函数。我们证明，对于图像配准的半拉格朗日计划的使用是更稳定的比一个标准的欧拉计划。我们的GPU实现基于PyTorch，由于其强大的自动微分引擎，大大简化和加速了计算。它将在https://github.com/antonfrancois/Demeter_metamorphosis上免费提供。
2021-06-16 cs.CV
A Diffeomorphism Groupoid and Algebroid Framework for Discontinuous Image Registration
本文提出了一种新的数学框架，利用微分同胚群和李代数方法处理断续滑动运动的分段微分同胚图像配准。
2026-04-29 cs.CV math.GR
Symmetries in LDDMM with higher order momentum distributions
Imperial College London（帝国理工学院）
在用于图像配准的大变形超纯度量映射公式的一些实现中，我们考虑局部平移图像数据的粒子的运动。然后，我们提升粒子的运动，以获得整个图像上的运动。然而，当然也可以考虑不只是平移的粒子，这就是本文将要描述的。由于与EPDiff相关的未约拉格朗日量具有$\Diff(M)$对称性，因此对于任何李群，它也必须具有$G \subset \Diff(M)$对称性。在本文中，我们将描述一个塔李群$G^{(0)} \subseteq G^{(1)} \subseteq G^{(2)} \subseteq...$，它对应于保持$k$阶喷流数据。简化的组态空间$Q^{(k)} := \Diff(M) / G^{(k)}$将是有限维的（特别地，$Q^{(0)}$是$M$中$N$粒子的组态流形）。我们将观察到$G^{(k)}$是$G^{(0)}$的正规子群，因此商$G^{(0)} / G^{(k)}$本身是作用于$Q^{(k)}$的（有限维）李群。这使得$Q^{(k)}$成为$Q^{(0)}$上的一个主丛，并且在$Q^{(k)}$上的约化测地线方程将具有$G^{(0)} / G^{(k)}$ -对称性。Noether定理揭示了$T^{\ast}Q^{(k)}$上约化系统守恒动量的存在性。
2013-07-17 cs.CV math.DS
Anatomical Data Augmentation via Fluid-based Image Registration
UNC Chapel Hill（北卡罗来纳大学教堂山分校）
我们介绍了一种基于流体的医学图像分析的图像增强方法。与现有的方法相比，我们的框架通过从给定样本的测地线子空间插值生成解剖学上有意义的图像。我们的方法由三个步骤组成：1）给定一个源图像和一组目标图像，我们使用大变形几何度量映射（LDDMM）模型构造测地线子空间; 2）我们从得到的测地线子空间采样变换; 3）我们通过插值获得变形图像和分割。对大脑（LPBA）和膝盖（OAI）数据的实验说明了我们的方法在两个任务上的性能：1）图像分割训练和测试期间的数据增强; 2）单图集图像分割的一次性学习。我们证明，我们的方法生成解剖学上有意义的数据，并提高了这些任务的性能竞争的方法。代码可在https://github.com/uncbiag/easyreg上获得。
2020-07-05 cs.CV
LDDMM meets GANs: Generative Adversarial Networks for diffeomorphic registration
Aragon Institute on Engineering Research（阿拉贡工程研究所）；University of Zaragoza（萨拉戈萨大学）
这项工作的目的是促进深度学习方法的最新发展，以实现同构配准。提出了一种基于生成对抗网络的3D单峰图像对对抗学习LDDMM方法。该方法的灵感来自最近的文献与对抗学习的可变形图像配准。我们结合了LDDMM范式中最先进的生成性，歧视性和对抗性成分。我们已经成功地实现了两个模型的固定和EPDiff约束的非平稳参数化的同构。我们的无监督和数据饥饿的方法已经显示出相对于基准监督和丰富数据的方法具有竞争力的性能。此外，我们的方法已经显示出类似的结果，基于模型的方法的计算时间低于一秒。
2021-11-24 cs.CV eess.IV
Methods based on Radon transform for non-affine deformable image registration of noisy images
Universidad de Concepción（康塞普西翁大学）
本文提出两种基于Radon变换相似性度量和线弹性正则化的DIR方法，用于捕捉非仿射变形，证明了其解的存在唯一性，并通过合成实验和肺部图像配准验证了其有效性。
2024-08-18 cs.CV cs.NA math.AP
Networks for Joint Affine and Non-parametric Image Registration
UNC Chapel Hill（北卡罗来纳大学教堂山分校）
我们介绍了一个用于3D医学图像配准的端到端深度学习框架。与现有的方法相比，我们的框架结合了两种注册方法：仿射注册和矢量动量参数化静止速度场（vSVF）模型。具体来说，它包括三个阶段。在第一阶段，多步仿射网络预测仿射变换参数。在第二阶段，我们使用Unet类网络来生成动量，通过平滑可以计算速度场。最后，在第三阶段，我们采用了一个自迭代的映射为基础的vSVF组件提供一个非参数化的基础上的转换映射的当前估计的细化。一旦模型被训练，配准就在一次向前传递中完成。为了评估性能，我们对骨关节炎倡议（OAI）数据集的膝关节3D磁共振图像（MRI）进行了纵向和跨学科实验。结果表明，我们的框架实现了与最先进的医学图像配准方法相当的性能，但速度更快，更好地控制了变换规律性，包括产生近似对称变换的能力，并结合了仿射和非参数配准。
2019-03-21 cs.CV
A Deep Learning Framework for Unsupervised Affine and Deformable Image Registration
Image Sciences Institute, University Medical Center Utrecht and Utrecht University（乌得勒支大学医学中心与乌得勒支大学影像科学研究所）；Division of Image Processing of the Leiden University Medical Center（莱顿大学医学中心图像处理部）
图像配准是将两幅或多幅图像对齐的过程，是许多（半）自动医学图像分析任务的核心技术。最近的研究表明，深度学习方法，特别是卷积神经网络（ConvNets），可以用于图像配准。到目前为止，用于配准的ConvNets的训练是使用预定义的示例配准来监督的。然而，获得示例注册并不简单。为了避免对预定义示例的需求，从而提高训练ConvNets进行图像配准的便利性，我们提出了用于\textit{unsupervised}仿射和可变形图像配准的深度学习图像配准（DLIR）框架。在DLIR框架中，通过利用类似于传统的基于强度的图像配准的图像相似性来训练ConvNets进行图像配准。在使用DLIR框架训练ConvNet之后，它可以用于在一个镜头中注册成对的不可见图像。我们提出了灵活的ConvNets设计，用于仿射图像配准和可变形图像配准。通过将多个ConvNet堆叠到一个更大的架构中，我们能够执行从粗到精的图像配准。我们表明，对于心脏电影MRI和胸部CT的配准，DLIR框架的性能与传统的图像配准相当，同时快了几个数量级。
2018-12-05 cs.CV
Non-iterative Coarse-to-fine Transformer Networks for Joint Affine and Deformable Image Registration
School of Computer Science, The University of Sydney（悉尼大学计算机科学学院）；Institute of Translational Medicine, Shanghai Jiao Tong University（上海交通大学转化医学研究院）；Royal Prince Alfred Hospital（皇家阿尔弗雷德王子医院）；Med-X Research Institute, Shanghai Jiao Tong University（上海交通大学Med-X研究院）
针对现有非迭代由粗到精配准方法依赖额外仿射配准、受卷积局部性限制的问题，提出嵌入Transformer的NICE-Trans网络，实现单网络联合仿射与可形变配准，在7个公开数据集上精度与速度均超现有最优方法。
2023-07-07 cs.AI cs.CV eess.IV
Polaffini: A feature-based approach for robust affine and polyaffine image registration
Hawkes Institute & Department of Computer Science, University College London, London, UK（霍克斯研究所及大学学院伦敦计算机科学系，伦敦，英国）；Institut Pasteur, Université Paris Cité, Unité de Neuroanatomie Appliquée et Théorique（巴斯德研究所，巴黎城市大学，应用与理论神经解剖学单元）；AINOSTICS ltd., Manchester, UK（AINOSTICS有限公司，曼彻斯特，英国）
提出Polaffini框架，利用深度学习分割模型提取解剖对应点，通过闭式解实现全局和局部仿射匹配，生成从仿射到多项式仿射的可调平滑变换，在结构对齐和下游非线性配准初始化上优于传统方法。
2026-06-08 cs.CV
POLAFFINI: Efficient feature-based polyaffine initialization for improved non-linear image registration
Centre for Medical Image Computing（医学影像计算中心）；Department of Computer Science, University College London（伦敦大学学院计算机科学系）；AINOSTICS ltd.（AINOSTICS有限公司）
针对传统仿射初始化在非线性图像配准中存在不足的问题，提出POLAFFINI方法，利用深度学习分割结果生成局部仿射匹配并融合为密集微分同胚变换，提升配准效果且更鲁棒高效。
2024-07-09 cs.CV
Deep Convolutional Neural Network for Non-rigid Image Registration
Simon Fraser University（西蒙弗雷泽大学）
在不同时间或位置拍摄的图像会经历旋转、缩放、倾斜等变换。对准已经经历变换的不同图像的过程可以经由配准来完成。当分析时间序列数据以跟踪、平均或鉴别疾病诊断时，配准是期望的。对于刚性（包括线性或仿射）变换存在有效的配准方法;然而，对于非刚性（也称为非仿射）变换，当前方法在计算上昂贵且耗时。在本报告中，我将探索深度神经网络（DNN），更具体地说，深度卷积神经网络（CNN）有效执行非刚性图像配准的能力。实验结果表明，一个CNN可以用于有效的非刚性图像配准，并在显着更少的计算时间比传统的同构恶魔或金字塔的方法。
2021-04-24 cs.CV eess.IV
A Lagrangian Gauss-Newton-Krylov Solver for Mass- and Intensity-Preserving Diffeomorphic Image Registration
Institute for Computational Engineering and Sciences, University of Texas at Austin（德克萨斯大学奥斯汀分校计算工程与科学研究所）；Department of Mathematics and Computer Science, Emory University（埃默里大学数学与计算机科学系）
我们提出了一个有效的求解器的大变形几何纯度量映射（LDDMM）的框架内的几何纯图像配准问题。我们使用最优控制公式，其中需要找到双曲型偏微分方程的速度场，使得系统的最终状态（变换/传输的模板图像）和观察结果（参考图像）之间的距离最小化。我们的求解器支持静态和非静态（即，瞬态或时间相关的）速度场。作为变换模型，我们考虑了输运方程（假设在变形过程中强度保持不变）和连续性方程（假设质量保持不变）。我们考虑的最优控制问题的简化形式，并解决了由此产生的无约束优化问题，使用离散化，然后优化的方法。一个关键的贡献是消除偏微分方程的约束，使用拉格朗日双曲偏微分方程求解器。拉格朗日方法依赖于特征曲线的概念，我们在这里使用四阶龙格库塔方法近似。我们还提出了一个有效的算法计算的导数的最终状态的系统的速度场。这允许我们使用基于高斯-牛顿的快速方法。我们提出了快速收敛的迭代线性求解器，使用频谱预处理器，使整体优化的效率和可扩展性。我们的方法被嵌入到图像配准框架FAIR，因此，支持最常用的相似性度量和正则化泛函。我们展示了我们的新方法的潜力，使用几个合成和现实世界的测试问题高达1470万自由度。
2017-07-12 cs.CE cs.CV
Unsupervised Image Registration Towards Enhancing Performance and Explainability in Cardiac And Brain Image Analysis
University of Edinburgh（爱丁堡大学）；Imperial College London（帝国理工学院）；University of Essex（埃塞克斯大学）
磁共振成像（MRI）通常采用多个序列（此处定义为“模态”）。由于每种模态旨在提供不同的解剖和功能临床信息，因此不同模态的成像内容存在明显差异。模态间和模态内仿射和非刚性图像配准是临床成像中的基本医学图像分析过程，例如在需要跨不同的MRI模态、时相和切片导出和临床评估成像生物标志物之前。尽管在实际临床场景中通常需要，但并未使用单个无监督模型架构对仿射和非刚性图像配准进行广泛研究。在我们的工作中，我们提出了一种无监督的深度学习配准方法，可以同时准确地对仿射和非刚性变换进行建模。此外，逆一致性是深度学习配准算法中未考虑的基本模态间配准属性。为了解决逆一致性问题，我们的方法执行双向跨模态图像合成来学习模态不变的潜在表示，同时涉及两个分解的变换网络和逆一致性损失来学习拓扑保持的解剖变换。总的来说，我们的模型（命名为“FIRE”）显示出对多模态脑2D和3D MRI以及模态内心脏4D MRI数据实验的参考标准基线方法的改进性能。
2022-03-07 cs.AI cs.CV cs.LG
ResNet-LDDMM: Advancing the LDDMM Framework using Deep Residual Networks
Inception Institute of Artificial Intelligence（起源人工智能研究院）；Université de Lille（里尔大学）；Terminus Group（特斯联集团）
在可变形配准中，几何框架-大变形几何度量映射或LDDMM，简而言之-激发了许多用于比较、变形、平均和分析形状或图像的技术。基于类似于流体动力学中使用的运动方程的流动，LDDMM算法在合理变形的空间中求解流动方程，即同构。在这项工作中，我们利用深度残差神经网络来解决非稳态ODE（流方程）的基础上欧拉的离散计划。其中心思想是将时间相关的速度场表示为完全连接的ReLU神经网络（构建块），并通过最小化正则化的损失函数来获得最佳权重。计算变形之间的最小化路径，从而在形状之间，转向通过在中间构建块上反向传播来找到最佳网络参数。在几何上，在每个时间步，ResNet-LDDMM搜索空间的最佳划分为多个多面体，然后计算最佳速度向量作为这些多面体中每个多面体的仿射变换。因此，形状的不同部分，即使它们很接近（例如一只手的两个手指），也可以属于不同的多面体，因此可以在不同的方向上移动，而不会花费太多的能量。重要的是，我们展示了我们的算法是如何预测非纯变换，或者更精确地说是bilipshitz变换的。我们说明了这些想法在复杂的拓扑保持变换下的3D形状的各种注册问题。因此，我们提供了一个新的联合几何神经网络黎曼框架下，即ResNet-LDDMM更先进的形状变异性分析的重要基础。
2022-05-10 cs.AI cs.CV stat.CO
Automatic Registration of Images with Inconsistent Content Through Line-Support Region Segmentation and Geometrical Outlier Removal
Shanghai Maritime University（上海海事大学）；Shanghai Jiao Tong University（上海交通大学）
自动图像配准的实现在各种应用中仍然是一个难点。提出了一种基于线支撑区域分割和几何离群点去除的自动图像配准方法。这种新方法的目的是解决与配准的图像与仿射变形和不一致的内容，如遥感图像与不同的光谱内容或噪声干扰，或地图图像与不一致的注释。首先，线支持区域，即直线区域，其点共享大致相同的图像梯度角，以解决图像中存在的不一致的内容的问题。为了减轻线段的不完整性，采用多分辨率的迭代策略来保持被图像细节或噪声掩盖的全局结构。然后，几何离群点去除（GOR）的发展，提供可靠的特征点匹配，这是基于仿射不变的几何分类相应的匹配由SIFT初始化。通过比较所有匹配项之间累积分类的差异性来选择候选离群点，而不是传统的仅依赖于局部几何关系的方法。各种图像集已被认为是在本文中所提出的方法进行评估，包括模拟仿射变形，遥感光学和合成孔径雷达图像在不同的情况下（多光谱，多传感器，多时相），和地图图像与不一致的注释航空图像。实验结果表明，该方法优于现有的方法，为整个数据集的性能。
2022-04-02 cs.CV eess.IV
A coarse-to-fine framework for unsupervised multi-contrast MR image deformable registration with dual consistency constraint
Paul C. Lauterbur Research Center for Biomedical Imaging, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院保罗·C·劳特伯生物医学成像研究中心）；Pengcheng Laboratory（鹏城实验室）；Pazhou Lab（琶洲实验室）；Guizhou Provincial People’s Hospital（贵州省人民医院）
多对比度磁共振（MR）图像配准在临床上可用于实现快速准确的基于成像的疾病诊断和治疗计划。然而，现有的配准算法的效率和性能仍然可以改进。在本文中，我们提出了一种新的无监督学习为基础的框架，以实现准确和有效的多对比MR图像配准。具体而言，一个端到端的粗到精的网络架构，包括仿射和变形变换的设计，以提高鲁棒性，实现端到端的配准。此外，一个双重的一致性约束和一个新的基于先验知识的损失函数的开发，以提高配准性能。所提出的方法已在包含555例病例的临床数据集上进行了评估，并取得了令人鼓舞的表现。与常用的配准方法（包括VoxelMorph，SyN和LT-Net）相比，该方法在识别中风病变时具有更好的配准性能，Dice评分为0.8397。在注册速度方面，我们的方法比在CPU上测试时最具竞争力的SyN（仿射）方法快10倍左右。此外，我们证明了我们的方法仍然可以在缺乏扫描信息数据的情况下执行更具挑战性的任务，对临床应用具有很高的鲁棒性。
2021-02-16 cs.CV eess.IV
Whole slide image registration for the study of tumor heterogeneity
Center for Image Analysis, Uppsala University（乌普萨拉大学图像分析中心）；i3S, Instituto de Investigação e Inovação em Saúde, Universidade do Porto（波尔图大学健康研究与创新学院（i3S））；Ipatimup, Institute of Molecular Pathology and Immunology, University of Porto（波尔图大学分子病理与免疫学研究所（Ipatimup））；Faculty of Medicine of the University of Porto（波尔图大学医学院）
组织样品的连续薄切片使得可以通过对每个切片中的新蛋白质进行染色来研究例如蛋白质表达和肿瘤异质性的局部变化。为了比较和关联不同蛋白质的模式，必须以高精度配准图像。我们要解决的问题是配准千兆像素的全载玻片图像（WSI）。这带来了三个挑战：（i）图像非常大;（ii）薄切片导致伪影，使得全局仿射配准容易出现非常大的局部误差;（iii）需要局部仿射配准以保持正确的组织形态（局部大小、形状和纹理）。在我们的方法中，我们比较WSI注册的自动和手动特征选择的基础上，无论是完整的图像或自然的子区域（而不是方形瓷砖）。在一个互动工具中与自然分区一起工作，可以排除含有科学无关信息的区域。我们还提出了一种新的方法来可视化局部配准质量的配准置信度图（RCM）。利用这种方法，可以观察和量化肿瘤内的异质性和肿瘤微环境的特征。
2019-01-24 cs.CV cs.CY
FlowReg: Fast Deformable Unsupervised Medical Image Registration using Optical Flow
Ryerson University（瑞尔森大学）；University of Toronto（多伦多大学）；Institute for Biomedical Engineering, Science and Technology (iBEST)（生物医学工程、科学与技术研究所（iBEST））
我们提出了FlowReg，一个基于深度学习的框架，用于神经成像应用的无监督图像配准。该系统由两个按顺序训练的架构组成：FlowReg-A，它对3D中移动和固定体积之间的总差异进行近似校正，然后是FlowReg-O，它在逐切片的基础上执行像素变形，以进行2D微调。仿射网络基于实施全局相似性的相关性损失函数来回归3D仿射矩阵。可变形网络基于光流网络FlowNet-Simple对2D图像切片进行操作，但具有三个损耗分量。光度损失最小化像素强度差异，平滑度损失鼓励相邻向量之间的相似幅度，以及用于保持固定和移动图像切片之间的强度相似性的相关性损失。所提出的方法进行了比较，四个开源的注册技术ANT，恶魔，SE和Voxelmorph。总共使用了来自痴呆和血管疾病队列的4643个FLAIR MR成像体积，这些体积是从60多个国际中心以不同的采集参数获得的。提出了一组定量的新的配准验证度量，重点是组织的结构完整性，空间对齐和强度相似性。实验结果表明，FlowReg（FlowReg-A+O）比基于迭代的配准算法的强度和空间对齐度量的像素一致性为0.65，相关系数为0.80，互信息为0.29。在深度学习框架中，FlowReg-A或FlowReg-A+O在所有指标中提供了最高的性能。结果表明，FlowReg能够获得高强度和空间相似性，同时保持解剖和病理的形状和结构。
2021-09-01 cs.CV eess.IV
Fast and Robust Symmetric Image Registration Based on Distances Combining Intensity and Spatial Information
Uppsala University（乌普萨拉大学）；Mathematical Institute of the Serbian Academy of Sciences and Arts（塞尔维亚科学院数学研究所）
基于亮度的图像配准方法依赖于相似性度量来指导图像之间具有高亲和力的几何对应的搜索。所用测量的属性对于配准的鲁棒性和准确性至关重要。在这项研究中，提出了一个对称的，强度插值自由，仿射配准框架的基础上的强度和空间信息的组合。该框架的优异性能被证明在合成测试的组合，恢复已知的变换存在噪声，并在生物医学和医学图像配准的实际应用中，为2D和3D图像。该方法具有更大的鲁棒性和更高的准确性比常用的相似性措施，当插入到一个标准的基于梯度的注册框架，可作为开源的洞察分割和注册工具包（ITK）的一部分。经验表明，该方法具有较低的计算成本，使其实际应用。源代码可用。
2019-02-21 cs.CV
Breast Cancer: Model Reconstruction and Image Registration from Segmented Deformed Image using Visual and Force based Analysis
University of Strathclyde（思克莱德大学）
利用触觉成像技术进行乳腺病变定位是医学领域一个新的发展方向。为了实现该目标，适当的图像重建和图像配准可以是有价值的资产。本文采用一种新的基于分割的图像表面重建算法对乳房体模进行表面重建。在乳腺组织中，真皮下静脉网络被用作重建的可区分模式。申报的图像采集装置接触体模表面，由于扫描时施加的力，会发生表面变形。一种新的基于力的表面矫正系统被用来重建变形的表面图像，其原始结构。为了从矫正后的图像构造完整的曲面，提出了改进的仿射尺度不变特征变换（A-SIFT），以减少数据采集时的仿射效应。基于摄像机位置的图像拼接方法被应用到构建最终的原始非刚性表面。在理论模型和实际场景中验证了所提出的模型，以证明其相对于竞争方法的优势。将该方法应用于路径重构，定位精度达到99.7%
2019-10-15 cs.CV
LDDMM-Face: Large Deformation Diffeomorphic Metric Learning for Flexible and Consistent Face Alignment
Southern University of Science and Technology（南方科技大学）；The University of British Columbia（不列颠哥伦比亚大学）；The University of Queensland（昆士兰大学）
我们创新性地提出了一个灵活和一致的人脸对齐框架，LDDMM-Face，其主要贡献是一个变形层，自然地嵌入人脸几何形状在一个同构的方式。而不是通过热图或坐标回归预测面部标志，我们制定了这个任务，在一个同构注册的方式和预测动量，唯一参数化的初始边界和真实边界之间的变形，然后执行大变形同构度量映射（LDDMM）的曲线和地标同时本地化的面部标志。由于LDDMM嵌入到深度网络中，LDDMM-Face可以一致地注释面部标志而不会产生歧义，并灵活地处理各种注释方案，甚至可以从稀疏注释中预测密集注释。我们的方法可以很容易地集成到各种人脸对齐网络中。我们在四个基准数据集上广泛评估了LDDMM-Face：300 W，WFLW，HELEN和COFW-68。LDDMM-Face与传统的数据集内和相同注释设置的最先进方法相当或更好，但在处理弱监督学习（部分到完全），具有挑战性的情况（例如，被遮挡的面部）以及不同的训练和预测数据集。此外，LDDMM-Face在最具挑战性的跨数据集预测任务上显示出了有希望的结果。
2021-08-02 cs.CV
An Elastic Image Registration Approach for Wireless Capsule Endoscope Localization
University of Coimbra（科英布拉大学）；CHUC（科英布拉大学医院中心）；The University of Texas at Austin（得克萨斯大学奥斯汀分校）；KTH Royal Institute of Technology（瑞典皇家理工学院）
无线胶囊内窥镜（WCE）是一种创新的成像设备，允许医生检查胃肠道（GI）的所有区域。这对于传统的侵入性内窥镜检查无法到达的小肠尤其重要。虽然WCE代表了医学成像的一个非常重要的进步，但仍然未解决的主要缺点是WCE在其操作时间期间在人体中的精确位置。这主要是由于其运动过程中复杂的生理环境和固有的胶囊效应。当在WCE图像中检测到异常时，医生不精确地知道该异常相对于肠位于何处，因此他们不能有效地进行适当的治疗。本文的主要目的是给WCE本地化的贡献，使用基于图像的方法。这项工作的主要重点是描述的多尺度弹性图像配准方法，其实验应用WCE视频，并与多尺度仿射配准比较。所提出的方法包括捕获刚性和非刚性变形两者的配准，分别由于刚性WCE运动和由GI蠕动运动引起的小肠的弹性变形。在这种方法下，可以获得关于WCE速度的定性信息，以及通过投影几何的WCE位置和方向。与真正的WCE视频帧的实验测试的结果表明，所提出的方法的良好性能，当弹性变形的小肠涉及在连续的帧，其优越性相对于多尺度仿射图像配准，仅占刚性变形和丢弃弹性变形。
2015-04-23 cs.CV
Robust Image Registration with Absent Correspondences in Pre-operative and Follow-up Brain MRI Scans of Diffuse Glioma Patients
The Hong Kong University of Science and Technology（香港科技大学）
由于肿瘤质量效应引起的组织外观变化较大以及肿瘤复发区域的对应性缺失，因此术前和随访脑部MRI扫描的配准具有挑战性。尽管最近基于深度学习的可变形配准方法在各种医学应用中取得了显着的成功，但它们中的大多数都不能将图像与病理配准。在本文中，我们提出了一种用于术前和随访脑部MRI扫描的3步配准流水线，包括1）多级仿射配准，2）具有前后一致性约束的条件深拉普拉斯金字塔图像配准网络（cLapIRN），以及3）非线性实例优化方法。我们将该方法应用于脑肿瘤序列配准（BraTS-Reg）挑战。我们的方法实现了脑部MRI扫描与病理的准确和鲁棒配准，在BraTS-Reg挑战的验证集中实现了1.64 mm的中位绝对误差和88%的成功配准率。我们的方法在2022年MICCAI BraTS-Reg挑战赛中排名第一。
2022-11-12 cs.CV eess.IV
Zero Shot Learning for Multi-Modal Real Time Image Registration
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）
在这份报告中，我们提出了一个无监督的图像配准框架，使用预先训练的深度神经网络作为特征提取器。我们将其称为零样本学习，因为训练和测试数据集之间不重叠（处理管道中的网络模块都不是专门针对医学图像配准任务进行训练的）。我们的技术的亮点是：（a）不需要训练数据集（b）自动估计关键点，即重要特征的位置（c）该模型中关键点的数量是固定的，并且可以作为超参数进行调整。(d)不确定度计算的建议，变换估计（e）实时注册的图像。我们的技术进行了评估BraTS，ALBERT，和合作医院脑MRI数据。结果表明，该方法被证明是鲁棒的仿射变换模型和结果几乎是瞬时的，无论输入图像的大小
2019-08-17 cs.CV cs.LG
RFVTM: A Recovery and Filtering Vertex Trichotomy Matching for Remote Sensing Image Registration
Shanghai Maritime University（上海海事大学）
在基于特征的图像配准中，可靠的特征点匹配是一个重要而又具有挑战性的过程。本文提出了一种鲁棒的特征点匹配算法--恢复和过滤顶点三分法匹配（RFVTM），用于去除遥感图像中的离群点并保留足够的内点。基于仿射变换后任意顶点与直线之间的几何关系保持不变的特点，提出了一种新的仿射不变描述子--顶点剖分描述子.顶点三分匹配（VTM）中的离群点去除是通过迭代比较对应顶点三分描述符的视差来实现的。在VTM迭代中，一些被大量离群值错误验证的内点被移除，并且使用相同的图结构不能排除接近正确位置的几个剩余离群值。因此，设计了一种恢复和过滤策略，以恢复一些内点基于相同的顶点剖分描述符和限制的转换误差。借助额外的恢复内点，在扩展顶点集达到相同图的过程中，也可以过滤掉剩余的离群点。实验结果表明，该算法在各种情况下，如遥感图像变换较大、模式重复、光谱内容不一致等情况下，均具有较好的精度和稳定性。
2022-04-02 cs.CV eess.IV
Automatic Image Registration in Infrared-Visible Videos using Polygon Vertices
École Polytechnique de Montréal（蒙特利尔高等理工学院）；École de technologie supérieure（高等工程技术学院）
提出了一种在可见光和红外双视频序列中实现多目标图像自动配准的方法。在图像融合系统等多模态图像分析中，彩色和红外传感器彼此靠近放置并同时捕获同一场景，但由于不同的视场，图像捕获信息，工作原理和其他相机规格，默认情况下视频没有正确对齐。由于场景通常不是平面的，因此需要通过提取相关的公共信息来连续执行对准。在本文中，我们近似的多边形的目标的形状，并使用仿射变换对齐的两个视频序列。在背景减除之后，使用DCE（离散曲线演化）技术检测前景斑点的轮廓上的关键点。然后，这些关键点由所获得的多边形的每个点处的局部形状来描述。根据多边形顶点的凸性和顶点间的欧氏距离进行关键点匹配。仅保留帧中每个局部形状多边形的良好匹配。为了实现使红外和可见前景像素的重叠最大化的全局仿射变换，每个局部形状多边形的匹配关键点被暂时存储在缓冲器中用于几个帧。使用时间缓冲器在每个帧处评估矩阵，并且基于重叠比率准则选择最佳矩阵。我们的实验结果表明，该方法可以提供高度准确的注册图像，我们优于以前的相关方法。
2014-03-17 cs.CV
SAME: Deformable Image Registration based on Self-supervised Anatomical Embeddings
Johns Hopkins University（约翰斯·霍普金斯大学）；PAII Inc.（PAII公司）；Ping An Technology（平安科技）；The First Affiliated Hospital Zhejiang University（浙江大学医学院附属第一医院）
在这项工作中，我们介绍了一种快速和准确的方法，无监督的三维医学图像配准。这项工作是建立在最近的算法SAM，这是能够计算密集的解剖/语义在像素级的两个图像之间的对应关系。我们的方法被命名为仿射变换，它将图像配准分解为三个步骤：仿射变换，粗变形和深度变形配准。使用SAM嵌入，我们通过寻找更多的一致对应来增强这些步骤，并提供具有更好语义指导的特征和损失函数。我们收集了一个多相胸部计算机断层扫描数据集，每个患者有35个注释器官，并进行受试者间配准进行定量评价。结果表明，在对比度内相位和对比度跨相位配准这两个单独任务中，Dice得分分别比广泛使用的传统配准技术（Elastix FFD，ANTs SyN）和基于学习的VoxelMorph方法高至少4.7%和2.7%。EQUIPMENT实现了与最好的传统配准方法DEEDS（根据我们的评估）相当的性能，同时速度快了几个数量级（从45秒到1.2秒）。
2021-09-23 cs.CV eess.IV
Deep learning in medical image registration: introduction and survey
MAIA Artificial Intelligence Lab（MAIA人工智能实验室）
本文综述了深度学习在医学图像配准中的应用，介绍了图像变换、配准算法、多阶段技术、评估指标及临床应用，并展望了基于transformers的未来研究方向。
2024-01-10 cs.CV cs.LG eess.IV
RealKeyMorph: Keypoints in Real-world Coordinates for Resolution-agnostic Image Registration
Weill Cornell Medicine（韦尔·科恩医学中心）；Stanford University（斯坦福大学）；Cornell Tech（康奈尔科技学院）；School of Electrical and Computer Engineering（电气与计算机工程学院）
提出分辨率无关的图像配准方法RealKeyMorph，通过利用扫描仪仿射矩阵将关键点转换至真实世界坐标并集成到训练中，避免了重采样伪影，在腹部MRI和脑部数据集上验证了其优势。
2025-07-14 cs.CV
A Robust and Interpretable Deep Learning Framework for Multi-modal Registration via Keypoints
Cornell University（康奈尔大学）；Cornell Tech（康奈尔理工学院）；Weill Cornell Medical School（威尔康奈尔医学院）；Iterative Scopes（Iterative Scopes公司）；Massachusetts Institute of Technology（麻省理工学院）；Massachusetts General Hospital（麻省总医院）
提出KeyMorph框架，利用自动检测的对应关键点通过可微闭式解实现多模态图像配准，增强鲁棒性和可解释性，并在3D脑MRI配准中超越现有方法。
2023-08-31 cs.CV
One registration is worth two segmentations
University College London（伦敦大学学院）；Beijing Institute of Technology（北京理工大学）
本文将图像配准重构为两幅图像上的对应 ROI 多类别分割，并提出无需训练数据或提示的 SAMReg，在多类临床影像上优于传统和学习式配准方法。
2024-05-17 cs.CV
Comparison of Consecutive and Re-stained Sections for Image Registration in Histopathology
Fraunhofer Institute for Digital Medicine MEVIS（弗劳恩霍夫数字医学MEVIS研究所）；Radboud University Medical Center（拉德堡德大学医学中心）；Linköping University（林雪平大学）
该研究对比了组织病理学中连续切片与重染色切片的变分图像配准精度，构建并公开了HyReCo混合数据集，发现重染色切片配准精度更高，二者各适用于不同级别的分析场景。
2022-09-29 cs.CV eess.IV
Impact of PCA-based preprocessing and different CNN structures on deformable registration of sonograms
Westfälische Hochschule University of Applied Sciences（威斯特伐利亚应用科学大学）
中心静脉导管（CVC）通常插入颈部的大静脉，例如颈内静脉（IJV）。CVC插入可能会导致严重的并发症，如错位到动脉或颈部血管穿孔。在超声引导下放置CVC是减少此类不良事件的适当方法，如果能够可靠地检测到静脉和动脉血管等解剖标志。应通过配准患者个体图像与解剖标记的参考图像来解决该任务。在这项工作中，一个线性，仿射变换进行宫颈超声，然后通过非线性变换，以实现更精确的注册。体素形态（VM），一个基于学习的库的变形图像配准使用卷积神经网络（CNN）与U-Net结构被用于非线性变换。基于主成分分析（PCA）的患者个体图像预去噪的影响，以及具有不同复杂性的修改后的网络结构对配准结果的影响进行了视觉和定量检查，后者使用变形和图像相似性的度量。使用PCA近似的宫颈超声检查导致平均变形长度减少18%至66%之间，与原始图像相比，这取决于网络结构。此外，减少卷积层的数量导致与PCA图像的图像相似性提高，而原始图像则恶化。尽管大量减少了网络参数，但没有观察到配准质量的整体下降，从而得出结论，即原始网络结构对于手头的任务来说过大。
2023-01-20 cs.CV cs.LG
Vista-Morph: Unsupervised Image Registration of Visible-Thermal Facial Pairs
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Booz Allen Hamilton（博思艾伦汉密尔顿）
本文提出Vista-Morph，一种基于ViT-STN和GAN的无监督可见光-热红外人脸图像配准方法，无需参考图像，在多种光照条件下鲁棒，并能提升下游V2T生成任务的身份一致性。
2023-06-10 cs.CV
A Two-Phase Genetic Algorithm for Image Registration
Bar-Ilan University（巴伊兰大学）；Center for Automation Research, University of Maryland（马里兰大学自动化研究中心）
图像配准（IR）是将在不同时间、不同视点和/或由不同传感器拍摄的同一场景的两个（或更多个）图像对齐的过程。它是各种图像分析任务中重要的关键步骤，其中多个数据源被集成/融合，以提取高级别信息。注册方法通常假设一个相关的转换模型为一个给定的问题域。我们的目标是搜索“最佳”的转换模型的实例，假设相对于一个相似性度量的问题。在本文中，我们提出了一种新的遗传算法（GA）为基础的方法为IR。由于GA执行有效的搜索在各种优化问题，它可以证明是有用的IR。事实上，各种GA已被提出IR。然而，他们中的大多数假设一定的约束，简化了转换模型，限制了搜索空间或额外的预处理要求。相比之下，我们提出了一个广义的基于遗传算法的解决方案，几乎完全仿射变换模型，它实现了竞争力的结果，没有这样的限制，使用两阶段的方法和多目标优化（MOO）的方法。我们对多个数据集给出了良好的结果，并证明了我们的方法在存在噪声数据的情况下的鲁棒性。
2017-11-17 cs.CV cs.NE
A Hybrid Deep Feature-Based Deformable Image Registration Method for Pathology Images
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；School of Mathematics, Sun Yat-sen University（中山大学数学学院）；Stanford University（斯坦福大学）；Guangdong Medical University（广东医科大学）；Xiaohe Healthcare ByteDance（字节跳动小河医疗）
针对多模态染色病理切片融合需求，本文提出结合基于检测器与无检测器深度特征、孤立森林及局部仿射校正的可变形配准框架，在ANHIR数据集上以rTRE 0.0034排名第一。
2023-04-10 cs.CV cs.LG eess.IV
FIRE: Unsupervised bi-directional inter-modality registration using deep networks
University of Edinburgh（爱丁堡大学）；Sun Yat-Sen University（中山大学）
本文提出无监督双向模态间配准深度网络FIRE，通过多任务架构与逆向一致性损失同时学习仿射与非刚性变换，在脑MR与心脏Cine-MR数据上取得优异性能。
2019-07-11 cs.CV eess.IV
CRFT: Consistent-Recurrent Feature Flow Transformer for Cross-Modal Image Registration
Northeastern University, China（东北大学（中国））；National University of Defense Technology, China（国防科技大学（中国））
CRFT提出了一种基于特征流学习的统一粗到细框架，通过特征对齐和流估计实现鲁棒的跨模态图像配准，通过多尺度特征相关性和层次特征融合提升精度和鲁棒性。
2026-04-07 cs.AI cs.CV
MAD: Modality Agnostic Distance Measure for Image Registration
Technical University of Munich（慕尼黑工业大学）；Klinkum rechts der Isar（伊萨尔河畔临床教学中心）；Imperial College London（帝国理工学院）；Helmholtz Zentrum Munich（慕尼黑亥姆霍兹中心）
本文提出模态无关距离（MAD），利用随机卷积学习图像几何结构，在单模态数据上训练即可实现多模态图像配准，且捕获范围优于传统度量。
2023-09-06 cs.AI cs.CV
Alignment-Aware and Reliability-Gated Multimodal Fusion for Unmanned Aerial Vehicle Detection Across Heterogeneous Thermal-Visual Sensors
本研究提出RGIF和RGMAF两种融合策略，通过注册意识和可靠性门控提升跨异质热视觉传感器的无人机检测性能。
2026-03-09 cs.AI cs.CV
Numerical Methods for Coupled Reconstruction and Registration in Digital Breast Tomosynthesis
University College London（伦敦大学学院）
数字乳腺断层合成摄影（DBT）通过重建乳房的伪3D图像，提供了对正常纤维腺体组织和异常病变的精细细节的洞察。在这方面，DBT通过减少由乳房组织的叠加引起的混杂效应来克服常规X射线乳房摄影术的主要限制。在乳腺癌筛查或诊断背景下，放射科医生对检测可能指示恶性疾病的变化感兴趣。为了帮助自动化这项任务，需要图像配准来建立时间点之间的空间对应关系。通常，首先重建图像（诸如MRI或CT），然后配准。如果使用完整的数据集进行重建，则该方法可以是有效的。然而，对于不适定的、有限角度的问题，例如DBT，估计变形由于与重建相关联的显著伪影而变得复杂，从而导致配准中的严重不准确。本文提出了一个数学框架，它耦合的两个任务，并共同估计图像强度和参数的变换。我们评估我们的方法，使用各种计算数字幻影，未压缩的乳腺MR图像，并在体内DBT模拟。首先，我们比较了迭代和同时的方法，传统的，顺序的方法，使用仿射变换模型。我们表明，联合估计图像强度和参数变换重建保真度和配准精度方面的优越的结果。此外，我们将非刚性B样条变换模型到我们的同时方法。结果表明，在保持重建保真度的情况下，变形的视觉上似乎是合理的恢复。
2013-07-23 cs.CV physics.med-ph
Deformation-Free Cross-Domain Image Registration via Position-Encoded Temporal Attention
GPEReg-Net通过位置编码时间注意力机制实现无变形跨域图像配准，取得最佳性能并运行更快。
2026-03-01 cs.AI cs.CV
Impact of Initialization on Intra-subject Pediatric Brain MR Image Registration: A Comparative Analysis between SyN ANTs and Deep Learning-Based Approaches
Polytechnique Montréal（蒙特利尔理工学院）；Ste-Justine Hospital University Centre（圣贾斯汀医院大学中心）；Université de Strasbourg（斯特拉斯堡大学）；CNRS（法国国家科学研究中心）
本研究比较了SyN ANTs与基于深度学习的配准方法在儿童脑部个体内配准中的性能，发现深度学习在Dice分数上略优且速度更快，但SyN ANTs无需大量训练仍保持稳健和可泛化，方法选择应取决于具体配准需求。
2024-06-28 cs.CV eess.IV q-bio.NC
GDROS: A Geometry-Guided Dense Registration Framework for Optical-SAR Images under Large Geometric Transformations
College of Electronic Science and Technology, National University of Defense Technology（电子科学与技术学院，国防科技大学）
针对大几何变换下光学与SAR图像配准困难的问题，提出几何引导的密集配准框架GDROS，通过CNN-Transformer提取特征构建4D相关体，并利用最小二乘回归施加仿射变换约束光流场，在多个数据集上显著优于现有方法。
2025-11-01 cs.CV eess.IV
UWarp: A Whole Slide Image Registration Pipeline to Characterize Scanner-Induced Local Domain Shift
Ummon HealthTech SAS；Centre Georges-François Leclerc（乔治-弗朗索瓦·勒克莱尔中心）；ICMUB laboratory, Université de Bourgogne Europe（勃艮第欧洲大学ICMUB实验室）；University Hospital of Dijon（第戎大学医院）；Hospital de Tortosa Verge de la Cinta (HTVC), Catalan Health Institute (ICS)（托尔托萨维尔赫-德拉辛塔医院 (HTVC)，加泰罗尼亚卫生研究所 (ICS)）；Pere Virgili Institute for Health Research (IISPV)（佩雷·维尔吉利健康研究所 (IISPV)）；Universitat Rovira i Virgili (URV)（罗维拉-威尔吉利大学 (URV)）；Nałęcz Institute of Biocybernetics and Biomedical Engineering Polish Academy of Sciences（波兰科学院纳文奇生物控制论与生物医学工程研究所）；Cairo University（开罗大学）；University of Udine（乌迪内大学）
提出基于UWarp的全切片图像配准流水线，结合全局仿射变换与局部校正实现高精度对齐，用于表征扫描仪引起的局部域偏移，发现深度学习预测变异与组织密度强相关。
2025-07-10 cs.CV eess.IV
Point cloud-based registration and image fusion between cardiac SPECT MPI and CTA
Xi’an University of Posts and Telecommunications（西安邮电大学）；Nanjing Medical University（南京医科大学）；The First Affiliated Hospital of Nanjing Medical University（南京医科大学第一附属医院）；The First Affiliated Hospital of Xi’an Jiaotong University（西安交通大学第一附属医院）；Kennesaw State University（肯尼索州立大学）；Michigan Technological University（密歇根理工大学）
提出一种基于点云的心脏 SPECT MPI 与 CTA 配准及图像融合方法，通过 U-Net 分割、手动标记特殊点及 ICP/SICP/CPD 算法实现精细配准，平均误差小于 3 mm，有效结合解剖与功能信息辅助诊断。
2024-02-10 cs.CV eess.IV
Affine Medical Image Registration with Coarse-to-Fine Vision Transformer
The Hong Kong University of Science and Technology（香港科技大学）
仿射配准是医学图像配准过程中不可缺少的一部分。然而，只有少数研究集中在快速和鲁棒的仿射配准算法。这些研究中的大多数利用卷积神经网络（CNN）来学习联合仿射和非参数配准，而仿射子网络的独立性能较少探索。此外，现有的基于CNN的仿射配准方法关注输入的局部未对准或全局方向和位置来预测仿射变换矩阵，这对空间初始化敏感，并且除了训练数据集之外表现出有限的泛化能力。本文提出了一种快速、鲁棒的基于学习的三维仿射医学图像配准算法--粗到精视觉Transformer（C2FViT）。我们的方法自然地利用卷积视觉Transformer的全局连接性和局部性以及多分辨率策略来学习全局仿射配准。我们评估我们的方法在3D脑图谱配准和模板匹配归一化。综合结果表明，我们的方法是优于现有的基于CNN的仿射配准方法的配准精度，鲁棒性和泛化能力，同时保持运行时的优势，基于学习的方法。源代码可在https://github.com/cwmok/C2FViT上获得。
2022-03-30 cs.CV
AIRNet: Self-Supervised Affine Registration for 3D Medical Images using Neural Networks
在这项工作中，我们提出了一个自监督学习方法的仿射图像配准的三维医学图像。与基于优化的方法不同，我们的仿射图像配准网络（AIRNet）被设计为直接估计两个输入图像之间的变换参数，而不使用任何表示配准质量的度量作为优化函数。但是，由于手动识别任何两个图像之间的转换参数的成本很高，因此我们利用大量廉价的未标记数据来生成用于模型训练的合成数据集。此外，AIRNet的结构使我们能够学习图像的判别特征，这些特征对于配准目的是有用的。我们所提出的方法进行了评估的磁共振图像的轴向视图的人脑，并与传统的图像配准方法的性能进行了比较。实验表明，我们的方法实现了更好的整体性能配准的图像从不同的患者和模态与100倍的执行时间加速。
2018-10-15 cs.CV
RegQCNET: Deep Quality Control for Image-to-template Brain MRI Affine Registration
CNRS, University of Bordeaux, Bordeaux INP（法国国家科学研究中心、波尔多大学、波尔多综合理工学院）
将一个或多个脑图像仿射配准到公共参考空间上是许多图像处理任务（诸如脑分割或功能分析）的必要先决条件。配准质量的手动评估是一项繁琐且耗时的任务，尤其是在包含大量数据的研究中。自动化和可靠的质量控制（QC）成为强制性的。此外，QC的计算时间也必须与处理海量数据集相兼容。因此，自动化深度神经网络方法似乎是自动评估配准质量的首选方法。在目前的研究中，一个紧凑的3D卷积神经网络（CNN），被称为RegQCNET，被引入到定量预测的幅度之间的仿射配准不匹配的注册图像和参考模板。这种配准误差的定量估计用公制单位表示。因此，可以手动或自动定义有意义的任务特定阈值，以便区分可用和不可用图像。建议RegQCNET的鲁棒性进行了分析，寿命的大脑图像进行各种模拟的空间变换和强度变化之间的训练和测试。其次，潜在的RegQCNET分类图像可用或不可用的手动和自动阈值进行评估。在我们的实验中，自动阈值估计使用几个计算机辅助分类模型，通过交叉验证。为此，我们使用专家的视觉质量控制估计的寿命队列的3953个大脑。最后，RegQCNET的准确性进行比较，通常的图像特征。结果表明，所提出的深度学习QC是鲁棒的，快速和准确的估计仿射配准误差在处理管道。
2020-09-16 cs.CV cs.LG eess.IV
SOMA: Feature Gradient Enhanced Affine-Flow Matching for SAR-Optical Registration
针对SAR与光学图像跨模态配准精度不足、梯度线索未被深度学习有效利用的问题，本文提出SOMA密集配准框架，通过FGE增强特征区分度、GLAM实现由粗到精对齐，在两个数据集上显著提升配准精度且泛化性良好。
2025-11-17 cs.AI cs.CV
ACSGRegNet: A Deep Learning-based Framework for Unsupervised Joint Affine and Diffeomorphic Registration of Lumbar Spine CT via Cross- and Self-Attention Fusion
Shanghai Jiao Tong University（上海交通大学）
配准在医学图像分析中起着重要的作用。已经研究了用于医学图像配准的基于深度学习的方法，其利用卷积神经网络（CNN）来有效地从一对图像中回归密集变形场。然而，CNN在提取语义上有意义的图像内和图像间空间对应的能力方面受到限制，这对于准确的图像配准至关重要。该研究提出了一种新的基于端到端深度学习的框架，用于无监督仿射和仿射变形配准，称为ACSGRegNet，它集成了用于建立图像间特征对应关系的交叉注意模块和用于图像内解剖结构感知的自注意模块。这两个注意力模块都建立在Transformer编码器上。来自每个注意力模块的输出分别被馈送到解码器以生成速度场。我们进一步引入门控融合模块来融合两个速度场。融合的速度场，然后集成到一个密集的变形场。对腰椎CT图像进行了广泛的实验。一旦模型被训练，成对的看不见的腰椎可以在一个镜头中被配准。在450对脊椎CT数据上进行了评估，我们的方法的平均Dice为0.963，平均距离误差为0.321 mm，优于最先进的（SOTA）。
2022-08-13 cs.AI cs.CV
Registration beyond Points: General Affine Subspace Alignment via Geodesic Distance on Grassmann Manifold
Seoul National University（首尔国立大学）；Inha University（inha大学）；University of Michigan（密歇根大学）
本文提出以 Grassmann 流形测地距离构建关于刚体变换的显式可优化代价，实现任意仿射子空间配准，并结合 BnB 取得全局最优与更优视觉任务表现。
2025-07-25 cs.CV
Distance Map Supervised Landmark Localization for MR-TRUS Registration
Rensselaer Polytechnic Institute（伦斯勒理工学院）；National Institutes of Health（美国国立卫生研究院）；National Cancer Institute（美国国家癌症研究所）；The State University of New York Upstate Medical University（纽约州立大学上州医科大学）
在这项工作中，我们建议明确使用前列腺的标志，以指导MR-TRUS图像配准。我们首先训练一个深度神经网络来自动定位一组有意义的地标，然后直接从这些地标的位置生成仿射配准矩阵。对于地标定位，而不是直接训练网络来预测地标坐标，我们建议回归地标的全分辨率距离图，这被证明是有效的，可以避免统计偏差，从而提高性能。然后，我们使用预测的地标生成仿射变换矩阵，其在TRE方面明显优于临床医生的手动刚性配准。
2022-10-11 cs.CV
