A Statistical Model for Simultaneous Template Estimation, Bias Correction, and Registration of 3D Brain Images
University of Copenhagen(哥本哈根大学);Biomediq A/S;Lundbeck(灵北)
模板估计在计算解剖学中发挥着至关重要的作用,因为它为对基础解剖群体变异性进行统计分析提供了参考系。在构建模板估计模型时,需要考虑站点和图像采集协议的可变性。为了解释这种可变性,我们提出了一个生成模板估计模型,该模型可以同时推断单个图像中的两个偏置场,图像配准的变形和方差超参数。相比之下,现有的基于最大后验概率的方法需要依赖于偏置不变的相似性度量或鲁棒的图像归一化。合成和真实脑MRI图像的结果表明,该模型能够捕获强度的异质性,并提供一个可靠的模板估计注册。
2017-05-01 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
2D/3D Megavoltage Image Registration Using Convolutional Neural Networks
Universidade Federal de Pernambuco(伯南布哥联邦大学);Varian Medical Systems, Imaging Laboratory GmbH(瓦里安医疗系统影像实验室有限公司)
提出了一种基于卷积神经网络的二维/三维MV图像配准方法。传统的图像配准方法大多是基于灰度的,利用优化算法来最大化图像间的相似度。虽然这些方法可以实现良好的结果千伏图像,同样不会发生兆伏图像由于较低的图像质量。此外,这些方法大多数时候不提供良好的捕获范围。为了解决这个问题,我们提出了使用卷积神经网络。实验使用50张大脑图像的数据集进行。实验结果表明,与传统的图像配准方法相比,该方法具有良好的应用前景。
2018-11-28 cs.CV
Large Scale Unsupervised Brain MRI Image Registration Solution for Learn2Reg 2024
College of Electrical and Information Engineering, Hunan University(湖南大学电气与信息工程学院);National Engineering Research Center of Robot Visual Perception and Control Technology, Hunan University(湖南大学机器人视觉感知与控制技术国家工程研究中心)
本文针对Learn2Reg 2024任务2中缺少分割标签和大规模数据的无监督脑MRI配准难题,提出高效骨干网络并优化损失函数,最终以77.34%的Dice系数获得第二名。
2024-09-04 cs.CV
MsMorph: An Unsupervised pyramid learning network for brain image registration
Zhengzhou University of Light Industry(郑州轻工业大学);Kennesaw State University(肯尼索州立大学);Michigan Technological University(密歇根理工大学)
提出无监督金字塔网络 MsMorph,通过多尺度梯度特征差异模拟人工配准并持续补偿形变场,在 LPBA 与 Mindboggle 脑 MRI 数据集上提升了配准精度与可解释性。
2024-10-23 cs.CV
Non-Rigid Image Registration Using Self-Supervised Fully Convolutional Networks without Training Data
Perelman School of Medicine, University of Pennsylvania(宾夕法尼亚大学佩雷尔曼医学院)
一种新的非刚性图像配准算法是建立在全卷积网络(FCN)优化和学习空间变换之间的图像对注册在自监督学习框架。与大多数现有的基于深度学习的图像配准方法不同,这些方法从具有已知对应空间变换的训练数据学习空间变换,我们的方法通过最大化固定和变形运动图像之间的图像相似性度量来直接估计图像对之间的空间变换,类似于传统的图像配准算法。图像配准在多分辨率图像配准框架中实现,以通过典型的前馈和反向传播计算,通过深度自我监督,联合优化和学习不同空间分辨率的空间变换和FCN。所提出的方法已被评估为注册三维结构脑磁共振(MR)图像,并获得了更好的性能比国家的最先进的图像配准算法。
2018-01-11 cs.CV
Fast Symmetric Diffeomorphic Image Registration with Convolutional Neural Networks
The Hong Kong University of Science and Technology(香港科技大学)
几何变形图像配准是医学图像研究中的一个关键问题,因为它具有拓扑保持性和变换可逆性等独特的性质。最近的基于深度学习的可变形图像配准方法通过利用卷积神经网络(CNN)来从合成地面实况或相似性度量学习空间变换来实现快速图像配准。然而,这些方法往往忽略了拓扑保持的变换和光滑的变换,这是由一个整体的平滑能量函数单独执行。此外,基于深度学习的方法通常直接估计位移场,这不能保证逆变换的存在。在本文中,我们提出了一种新的,高效的无监督的对称图像配准方法,最大限度地提高图像之间的相似性的空间内的同构映射和估计的正变换和逆变换同时进行。我们评估我们的方法与大规模的脑图像数据集的三维图像配准。我们的方法实现了国家的最先进的配准精度和运行时间,同时保持理想的仿形属性。
2021-02-28 cs.CV
Unsupervised Deformable Image Registration with Absent Correspondences in Pre-operative and Post-Recurrence Brain Tumor MRI Scans
The Hong Kong University of Science and Technology(香港科技大学)
手术前和复发后的脑图像的配准通常需要评估脑胶质瘤治疗的有效性。虽然最近基于深度学习的可变形配准方法在健康大脑图像方面取得了显着的成功,但由于参考图像中缺乏对应关系,其中大多数无法准确地将图像与病理对齐。在本文中,我们提出了一种基于深度学习的可变形配准方法,该方法联合估计缺少对应和双向变形场的区域。一个向前向后的一致性约束是用来帮助在本地化的切除和复发区域的体素在两个图像中没有对应。BraTS-Reg挑战的3D临床数据结果表明,与传统的和基于深度学习的配准方法相比,无论是否使用代价函数掩蔽策略,我们的方法都可以改善图像对齐。源代码可在https://github.com/cwmok/DIRAC上获得。
2022-06-08 cs.CV eess.IV
End-to-End Unsupervised Deformable Image Registration with a Convolutional Neural Network
Image Sciences Institute, University Medical Center Utrecht(乌得勒支大学医学中心图像科学研究所);Division of Image Processing, Leiden University Medical Center(莱顿大学医学中心图像处理部)
在这项工作中,我们提出了一个深度学习网络变形图像配准(DIRNet)。DIRNet由卷积神经网络(ConvNet)回归器、空间Transformer和重采样器组成。ConvNet分析一对固定图像和运动图像,并为空间Transformer输出参数,空间transformer生成位移向量场,使重采样器能够将运动图像扭曲为固定图像。DIRNet通过对输入图像对之间的相似性度量进行无监督优化来进行端到端训练。经过训练的DIRNet可以应用于在一次通过中对未见过的图像对执行配准,因此是非迭代的。通过手写数字图像(MNIST)和心脏电影MR扫描(Sunnybrook Cardiac Data)的配准进行评价。结果表明,配准与DIRNet是一个传统的变形图像配准方法,大大缩短了执行时间一样准确。
2017-04-20 cs.CV
Fast Diffeomorphic Image Registration using Patch based Fully Convolutional Networks
School of Computer and Electrical Engineering, Hunan University of Arts and Science(湖南文理学院计算机与电气工程学院);Furong College, Hunan University of Arts and Science(湖南文理学院芙蓉学院);The University of Hong Kong(香港大学)
本文提出一种基于图像块全卷积网络的无监督微分同胚配准框架,通过块级特征提取和新颖微分算子,在多个T1w MRI数据集上取得优于现有方法的配准精度与拓扑保持性能。
2024-05-04 cs.CV
Is Deformable Image Registration Ready for Brain Metastasis Reirradiation Dose Accumulation? A Longitudinal MRI Benchmark of Registration Accuracy
University of California, San Francisco(加利福尼亚大学旧金山分校)
该研究通过87例脑转移瘤纵向MRI数据基准测试DIR方法,发现基于优化的DIR方法表现最佳,但现有DIR方法仍无法满足脑转移瘤再照射剂量累积的临床无人监督使用需求,需病例级质量控制。
2026-09-01 cs.CV eess.IV
Non-rigid image registration using fully convolutional networks with deep self-supervision
University of Pennsylvania(宾夕法尼亚大学)
我们提出了一种新的非刚性图像配准算法,该算法建立在全卷积网络(FCN)上,以优化和学习待配准图像对之间的空间变换。与大多数现有的基于深度学习的图像配准方法不同,这些方法从具有已知对应空间变换的训练数据学习空间变换,我们的方法通过最大化固定和变形运动图像之间的图像相似性度量来直接估计图像对之间的空间变换,类似于传统的图像配准算法。同时,我们的方法还学习了用于在待配准图像的相同空间分辨率下编码空间变换的FCN,而不是学习粗粒度的空间变换信息。图像配准在多分辨率图像配准框架中实现,以通过典型的前馈和反向传播计算,通过深度自我监督,联合优化和学习不同分辨率的空间变换和FCN。由于我们的方法同时优化和学习图像配准的空间变换,我们的方法可以直接用于配准一对图像,一组图像的配准也是一个训练过程的FCNs,使训练的FCNs可以直接采用新的图像通过前馈计算学习的FCNs没有任何优化。所提出的方法已被评估为注册三维结构脑磁共振(MR)图像,并获得了更好的性能比国家的最先进的图像配准算法。
2017-09-04 cs.CV
MDReg-Net: Multi-resolution diffeomorphic image registration using fully convolutional networks with deep self-supervision
University of Pennsylvania(宾夕法尼亚大学);Perelman School of Medicine(佩雷尔曼医学院);Center for Biomedical Image Computing and Analytics (CBICA)(生物医学图像计算与分析中心(CBICA))
我们提出了一个同构图像配准算法学习空间变换的图像对之间的注册使用全卷积网络(FCN)下的自监督学习设置。该网络被训练为通过最大化固定和变形运动图像之间的图像相似性度量来估计图像对之间的同构空间变换,类似于传统的图像配准算法。它在多分辨率图像配准框架中实现,以联合和增量地优化和学习不同图像分辨率下的空间变换,并进行深度自我监督,以便更好地处理图像之间的大变形。一个空间高斯平滑内核集成的FCNs产生足够平滑的变形领域,实现同构图像配准。特别地,利用在较粗分辨率下学习的空间变换来扭曲运动图像,该运动图像随后用于在较细分辨率下学习增量变换。该过程递归地进行到全图像分辨率,并且累积的变换用作最终变换以最精细的分辨率扭曲运动图像。用于配准高分辨率3D结构脑磁共振(MR)图像的实验结果表明,与最先进的图像配准算法相比,通过我们的方法训练的图像配准网络在几秒钟内获得了鲁棒的、同构的图像配准结果,并且精度有所提高。
2020-10-04 cs.CV
A Deep Network for Joint Registration and Reconstruction of Images with Pathologies
UNC Chapel Hill(北卡罗来纳大学教堂山分校);University of Pennsylvania(宾夕法尼亚大学)
由于病理引起的组织外观变化和缺失对应性,图像与病理的配准具有挑战性。此外,在脑肿瘤中观察到的质量效应可能会使组织移位,随着时间的推移产生比在健康大脑中观察到的更大的变形。深度学习模型已经成功地应用于图像配准以提供显著的加速并使用替代信息(例如,在训练期间进行分段。然而,现有的方法集中于使用来自健康患者的图像来学习配准模型。因此,它们不是设计用于配准具有强烈病理的图像,例如在脑肿瘤和创伤性脑损伤的背景下。在这项工作中,我们探索了一种深度学习方法,将脑肿瘤图像配准到图谱中。我们的模型学习了从肿瘤图像到图谱的外观映射,同时预测到图谱空间的转换。使用单独的解码器,该网络将肿瘤质量效应与准正常图像的重建分开。合成和真实脑肿瘤扫描的结果表明,我们的方法优于代价函数掩蔽登记的图集和重建的准正常图像可以用于更好的纵向配准。
2020-08-17 cs.CV eess.IV
Deep learning facilitates fully automated brain image registration of optoacoustic tomography and magnetic resonance imaging
ShanghaiTech University(上海科技大学);University of Zürich(苏黎世大学);ETH Zürich(苏黎世联邦理工学院)
多光谱光声断层成像(MSOT)是一种新兴的光学成像方法,可以提供来自啮齿动物大脑的多重分子和功能信息。磁共振成像(MRI)可以提供出色的软组织对比度和高分辨率的大脑解剖结构,从而大大增强其功能。然而,多模态图像的配准仍然具有挑战性,主要是由于这些模态呈现的完全不同的图像对比度。以前报道的配准算法主要依赖于手动用户依赖的大脑分割,这损害了数据解释和准确量化。在这里,我们提出了一种由深度学习授权的MSOT-MRI多模态成像的全自动配准方法。自动化工作流程包括基于神经网络的图像分割,以生成合适的掩模,随后使用附加的神经网络进行配准。该算法的性能与横截面MSOT和高场MRI临床前扫描仪采集的数据集一起展示。自动配准方法进一步验证与手动和半自动配准,证明其鲁棒性和准确性。
2021-09-04 cs.CV cs.LG eess.IV
The Brain Resection Multimodal Image Registration (ReMIND2Reg) 2025 Challenge
Inria Saclay Île-de-France(法国里昂萨克利研究所);CEA(法国原子能委员会);Université Paris-Saclay(巴黎-萨克利大学);Sorbonne Université(索邦大学);Institut du Cerveau - Paris Brain Institute - ICM(巴黎脑研究所);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化技术研究所);Inserm(法国国家医学研究院);AP-HP(法国国家医院集团);Hôpital de la Pitié Salpêtrière(皮蒂埃-萨尔普里埃尔医院);Harvard Medical School(哈佛医学院);Brigham and Women's Hospital(布里根医院);Department of Radiology and Radiological Science(放射学与放射科学系);Johns Hopkins Medical School(约翰霍普金斯医学院);Institute of Medical Informatics(医学信息学研究所);University of Lübeck(吕贝克大学);Image Analysis and Communications Laboratory(图像分析与通信实验室);Department of Electrical and Computer Engineering(电气与计算机工程系);Johns Hopkins University(约翰霍普金斯大学);CSAIL(媒体实验室)
针对脑肿瘤手术中脑移位导致神经导航精度下降的问题,ReMIND2Reg 2025挑战赛基于ReMIND数据集构建大规模多模态配准基准,建立标准化评估框架以推动相关临床可用算法研发。
2025-11-15 cs.CV
MambaReg: Mamba-Based Disentangled Convolutional Sparse Coding for Unsupervised Deformable Multi-Modal Image Registration
Illinois Institute of Technology(伊利诺伊理工大学)
针对多模态可变形图像配准中长程依赖难捕捉、特征难解耦的问题,提出基于Mamba的MambaReg架构,融合卷积局部特征提取与Mamba长程建模能力,解耦配准相关特征,在公开数据集上配准精度与形变场平滑度均优于现有方法。
2024-11-03 cs.CV
DeepAtlas: Joint Semi-Supervised Learning of Image Registration and Segmentation
University of North Carolina, Chapel Hill(北卡罗来纳大学教堂山分校)
深度卷积神经网络(CNN)是语义图像分割的最新技术,但通常需要许多标记的训练样本。获得用于监督训练的医学图像的3D分割是困难且劳动密集的。受联合分割和配准的经典方法的启发,我们因此提出了一个深度学习框架,该框架联合学习图像配准和图像分割的网络。与以前的深度无监督图像配准工作相比,通过图像分割显示了弱监督的好处,我们的方法可以在可用时使用现有的分割,否则通过分割网络计算它们,从而提供相同的配准好处。相反,分割网络训练受益于配准,配准本质上提供了数据增强的现实形式。膝盖和大脑的3D磁共振(MR)图像上的实验表明,我们的方法实现了大的同时提高分割和配准精度(在独立训练的网络),并允许训练高质量的模型非常有限的训练数据。具体来说,在一次拍摄的情况下(只有一个手动标记的图像),我们的方法在膝盖和大脑图像上分别将无监督配准网络的Dice分数(%)提高了2.7和1.8。
2019-07-26 cs.CV
Palmprint image registration using convolutional neural networks and Hough transform
基于细节特征的掌纹识别系统在过去的二十年里受到了广泛的关注。由于掌纹中的大量细节点(大约1000个细节点),匹配过程是耗时的,这使得其对于实时的应用是不实际的。解决这个问题的一种方法是将所有掌纹图像与参考图像对齐,并将它们带到相同的坐标系。将所有的掌纹图像带到同一个坐标系,在细节匹配过程中减少了计算量。本文利用卷积神经网络(CNN)和广义Hough变换(GHT),提出了一种新的掌纹图像精确配准方法。该方法找到掌纹和参考图像之间的对应旋转和位移(在x和y方向上)。准确的掌纹配准可以提高匹配过程的速度和精度。该方法能够自动区分左右掌纹,提高了匹配速度。此外,在配准阶段设计了CNN的结构,将掌纹图像从背景中分割出来,为细节点提取做了预处理。在THUPALMLAB数据库上对所提出的配准方法和细节柱码(MCC)匹配算法进行了评估,结果表明该算法优于大多数现有算法。
2019-04-03 cs.CV
NeuReg: Domain-invariant 3D Image Registration on Human and Mouse Brains
Tibbling Technologies(蒂布林科技);Redmond, WA(华盛顿州雷德蒙德)
NeuReg提出一种神经启发式三维图像配准架构,利用Swin Transformer编码器生成域无关表示,在人类和小鼠脑数据集上超越现有基线,实现跨域高性能配准。
2024-11-09 cs.AI cs.CV cs.LG
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
InstantGroup: Instant Template Generation for Scalable Group of Brain MRI Registration
Department of Computer Science and Engineering, The Hong Kong University of Science and Technology(计算机科学与工程系,香港理工大学)
提出基于双VAE的InstantGroup框架,利用潜在表示算术属性实现任意规模脑部MRI组配准的秒级无偏模板生成,在精度上优于现有基线。
2025-07-16 cs.CV eess.IV
Linear and Deformable Image Registration with 3D Convolutional Neural Networks
University of Bern(伯尔尼大学);CentraleSupélec(中央理工-高等电力学院);Université Paris-Saclay(巴黎-萨克雷大学);Groupe Hospitalier Cochin-Hôtel Dieu(科钦-主宫医院集团);Université Paris Descartes(巴黎笛卡尔大学);TheraPanacea
图像配准,特别是可变形配准方法是医学成像的支柱。受深度学习最新进展的启发,我们在本文中提出了一种新的卷积神经网络架构,该架构将线性和可变形配准耦合到具有近实时性能的统一架构中。我们的框架是模块化的全局变换组件,以及相对于相似性函数,同时它保证顺利的位移场。我们评估了我们的网络在MRI肺部配准的挑战性问题上的性能,并证明了相对于最先进的弹性配准方法的优越性能。在间质性肺病(ILD)分类的临床相关任务中考虑了所提出的变形(吸气和呼气之间),并显示出有希望的结果。
2018-09-13 cs.CV cs.LG
PatchMorph: A Stochastic Deep Learning Approach for Unsupervised 3D Brain Image Registration with Small Patches
RIKEN Center for Brain Science(理化学研究所脑科学中心);Institute of Fundamental Technological Research, Polish Academy of Sciences(波兰科学院基础技术研究所);Central Institute for Experimental Animals(中央实验动物研究所);Medical Center Freiburg, Faculty of Medicine, University of Freiburg(弗莱堡大学医学院弗莱堡医学中心)
提出随机深度学习算法PatchMorph,利用恒定小尺寸重叠图像块实现无监督3D脑部图像配准,兼顾全局变换与局部形变,并在人类MRI和狨猴图像上验证优越性能。
2023-12-12 cs.CV cs.LG
RANCOR: Non-Linear Image Registration with Total Variation Regularization
Robarts Research Institute(罗巴茨研究所);Western University(韦仕敦大学)
优化技术已被广泛用于变形配准,允许与正则化机制的相似性度量的合并。这些正则化机制旨在减轻不适定配准问题的平凡解的影响,并确保所产生的变形场表现良好。本文介绍了一种新的变形配准算法,RANCOR,它使用迭代凸化来解决变形配准问题下的全变分正则化。最初的比较结果对四个国家的最先进的注册算法使用互联网脑分割库(IBSR)数据库。
2014-04-09 cs.CV
Exploring Intensity Invariance in Deep Neural Networks for Brain Image Registration
School of Science(理学院);EPFL(洛桑联邦理工学院);Edith Cowan University (ECU)(伊迪丝·考恩大学);Neuroscience Center Zurich(苏黎世神经科学中心);UZH/ETH Zurich(苏黎世大学/苏黎世联邦理工学院)
图像配准是一种广泛使用的技术,用于分析通过各种成像模式和生物医学成像技术(如MRI、X射线等)捕获的大规模数据集。这些数据集通常是使用各种扫描仪在不同成像协议下从各个站点收集的。数据汇集过程中的这种异质性导致强度(亮度)和噪声分布的不均匀性或变化。这些变化在图像配准、分割和检测算法的性能中起着有害的作用。经典的图像配准方法是计算昂贵的,但能够相对更好地处理这些伪影。然而,基于深度学习的技术被证明对于自动大脑配准是计算高效的,但是对强度变化敏感。在这项研究中,我们研究了基于深度学习的图像配准方法中输入图像对之间强度分布变化的影响。我们发现这些模型的性能退化时,大脑图像对具有不同的强度分布,即使具有相似的结构。为了克服这一局限性,我们在深度神经网络中引入了一个基于结构相似性的损失函数,并在训练前分离的验证分裂以及完全看不见的新数据集上测试其性能。我们报告说,用基于结构相似性的损失训练的深度学习模型似乎对两个数据集都有更好的表现。这项调查强调了基于深度学习的配准模型中可能的性能限制因素,并提出了一种潜在的解决方案,以将强度分布变化纳入输入图像对中。我们的代码和模型可以在https://github.com/hassaanmahmood/DeepIntense上找到。
2020-09-21 cs.AI cs.CV cs.LG
Multi-modal unsupervised brain image registration using edge maps
Technical University of Munich (TUM)(慕尼黑工业大学);Klinikum Rechts der Isar(伊萨尔河右岸医院);Imperial College London(伦敦帝国理工学院)
几何变形多模态图像配准是一项具有挑战性的任务,其目标是将不同模态获取的图像放到同一坐标空间,同时保持变换的拓扑结构和可逆性。最近的研究集中在利用深度学习方法来完成这项任务,因为这些方法已被证明可以实现有竞争力的配准精度,同时比传统的迭代配准方法在计算上更有效。在这项工作中,我们提出了一种简单而有效的基于无监督深度学习的{ \em多模态}图像配准方法,该方法受益于来自图像梯度幅度的辅助信息,即图像边缘,在训练过程中。这背后的直觉是,假设具有强梯度的图像位置表示组织的过渡,其是能够充当几何约束的高信息值的位置。该任务类似于使用分割图来驱动训练,但边缘图更容易和更快地获取,并且不需要注释。我们评估我们的方法在注册多模态(T1 w到T2 w)磁共振(MR)的不同主题的大脑图像的背景下,使用三种不同的损失函数,被认为是协助多模态注册,显示在所有情况下,辅助信息导致更好的结果,而不影响运行时间。
2022-03-15 cs.AI cs.CV eess.IV
Conditional Deformable Image Registration with Convolutional Neural Network
The Hong Kong University of Science and Technology(香港科技大学)
最近的基于深度学习的方法在可变形图像配准中显示出有希望的结果和运行时间优势。然而,分析超参数的影响和搜索最佳正则化参数在基于深度学习的方法中被证明过于禁止。这是因为它涉及训练大量具有不同超参数值的单独模型。在本文中,我们提出了一个条件图像配准方法和一个新的自监督学习范式的深度变形图像配准。通过学习与正则化超参数相关的条件特征,我们证明了具有任意超参数的最优解可以由单个深度卷积神经网络捕获。此外,所得到的变形场的平滑度可以在推理期间用任意强度的平滑度正则化来操纵。在大规模脑MRI数据集上的大量实验表明,我们提出的方法能够精确控制变形场的平滑度,而不会牺牲运行时间优势或配准精度。
2021-07-05 cs.CV eess.IV
Training Data Independent Image Registration With GANs Using Transfer Learning And Segmentation Information
Monash eResearch Center, Monash University(莫纳什大学莫纳什电子研究中心);AirDoc Research Australia(澳大利亚AirDoc研究公司);IBM Research Australia(IBM澳大利亚研究院)
配准是医学图像自动分析中的一项重要任务。尽管基于深度学习(DL)的图像配准方法执行耗时的传统方法,但是它们严重依赖于训练数据并且不能很好地推广新的图像类型。我们提出了一种基于DL的方法,可以注册的图像对,这是从训练图像不同。这是通过结合分割信息和迁移学习训练生成对抗网络(GANs)来实现的。在胸部X光和脑部MR图像上的实验表明,该方法比传统方法具有更好的配准性能。
2019-04-11 cs.CV
Mutual information neural estimation for unsupervised multi-modal registration of brain images
Australian Institute for Machine Learning(澳大利亚机器学习研究所);University of Adelaide(阿德莱德大学);South Australian Health and Medical Research Institute(南澳大利亚健康与医学研究所)
图像引导手术和治疗中的许多应用需要快速且可靠的非线性、多模态图像配准。最近提出的基于无监督深度学习的配准方法与迭代方法相比,在很短的时间内就表现出了卓越的性能。大多数基于学习的方法都集中在单模态图像配准上。多模态配准的扩展依赖于使用适当的相似性函数,如互信息(MI)。我们建议通过端到端可训练网络中图像对之间的MI估计来指导基于深度学习的配准方法的训练。我们的研究结果表明,一个小的,2层网络产生竞争力的结果,在单模态和多模态注册,与次秒运行时间。与迭代和基于深度学习的方法的比较表明,我们基于MI的方法在拓扑和定性上都具有优越的结果,并且非同构变换的速率极低。实时临床应用将受益于解剖结构的更好视觉匹配和更少的配准失败/离群值。
2022-10-06 cs.CV cs.LG eess.IV
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
Robust Registration of Calcium Images by Learned Contrast Synthesis
HHMI Janelia Research Campus(HHMI 珍妮亚研究园区)
多模态图像配准是一项具有挑战性的任务,对于融合互补信号以进行后续分析至关重要。尽管对解决这一挑战的成本函数进行了大量研究,但仍存在这些成本函数无效的情况。在这项工作中,我们表明,(1)这是真实的在体内果蝇脑体积可视化遗传编码的钙指标的nc82图谱和(2),机器学习为基础的对比度合成可以产生改善注册。更具体地说,通过使用合成图像,配准完全失败的受试者数量大大减少(从40%减少到15%)。
2015-11-03 cs.CV
FF-PNet: A Pyramid Network Based on Feature and Field for Brain Image Registration
College of Informatics, Huazhong Agricultural University, Wuhan 430070, China(华中农业大学信息学院);Agricultural Bioinformatics Key Laboratory of Hubei Province(湖北省农业生物信息学重点实验室);Key Laboratory of Smart Farming for Agricultural Animals, Ministry of Agriculture, Huazhong Agricultural University, Wuhan 430070, China(农业动物智能养殖重点实验室)
本文提出FF-PNet金字塔配准网络,通过残差特征融合模块与残差形变场融合模块并行提取粗细粒度特征,在无注意力机制和多层感知机的情况下,于LPBA和OASIS数据集上取得优于主流方法的脑图像配准精度。
2025-05-09 cs.CV cs.IR
KLDivNet: An unsupervised neural network for multi-modality image registration
Fudan University(复旦大学);SenseTime Technology(商汤科技)
多模态图像配准是医学图像分析中最重要的过程之一。最近,卷积神经网络(CNN)在变形配准中显示出巨大的潜力。然而,缺乏体素方面的地面实况挑战了CNN的训练,以实现准确的配准。在这项工作中,我们提出了一个跨模态的相似性度量,基于图像变量的KL发散,并实现了一个有效的估计方法,使用CNN。这个估计网络被称为KLDivNet,可以在无监督的情况下进行训练。然后将KLDivNet嵌入到配准网络中,实现多模态图像的无监督变形配准。我们使用了三个数据集,即,AAL Brain、LiTS Liver和Hospital Liver,具有模态内和模态间图像配准任务以进行验证。结果表明,我们的相似性度量是有效的,所提出的注册网络提供了优越的性能相比,国家的最先进的方法。
2020-02-05 cs.CV
Most Likely Separation of Intensity and Warping Effects in Image Registration
University of Copenhagen(哥本哈根大学)
本文介绍了一类混合效应模型,用于二维图像中空间相关的亮度变化和翘曲变化的联合建模。空间相关的强度变化和翘曲变化被建模为随机效应,从而产生非线性混合效应模型,该模型能够通过优化似然函数来同时估计模板和模型参数。我们提出了一个算法来拟合模型,交替估计方差参数和图像配准。这种方法避免了在将配准作为预处理步骤时出现的模板估计中的潜在估计偏差。我们将该模型应用于面部图像和二维脑磁共振图像的数据集,以说明强度和翘曲效应的同时估计和预测。
2017-03-15 cs.CV
Part-to-whole Registration of Histology and MRI using Shape Elements
University College London(伦敦大学学院);UCL Institute of Neurology(伦敦大学学院神经病学研究所);Wellcome / EPSRC Centre for Interventional and Surgical Sciences, UCL(伦敦大学学院威康/EPSRC介入与外科科学中心)
由于结构内容和对比度的差异,组织学和磁共振成像(MRI)之间的图像配准是一项具有挑战性的任务。太厚和太宽的标本不能一次处理,必须切成小块。这极大地增加了问题的复杂性,因为每一块都应该单独手动预对准。据我们所知,没有自动方法可以在MRI切片中的相应整体内可靠地定位这样的组织片,并且在没有任何先验信息的情况下将其对准。我们在这里提出了一种新的自动方法,组织学和MRI之间的多模态配准的联合问题,当只有一小部分组织可从组织学。该方法依赖于使用它们的水平线的图像的表示,以达到对比度不变性。通过提取的双切线获得的形状元素被编码在一个投影不变的方式,这允许识别两个图像之间的曲线的共同件。我们对人脑组织学的方法进行了评估,并将结果与手动注释的地面实况进行了比较。考虑到大脑折叠模式的复杂性,初步结果是有希望的,并建议使用特征和有意义的形状元素,以提高鲁棒性和效率。
2017-08-27 cs.CV
Data-driven registration and modeling of brain deformation for image-guided neurosurgery
LASIGE, Faculty of Sciences, University of Lisbon(里斯本大学科学学院LASIGE);Department of Neurosurgery and Department of Radiology, Brigham and Women's Hospital, Harvard Medical School(哈佛医学院布里洛妇女医院神经外科与放射科);Gina Cody School of Engineering and Computer Science, Concordia University(康科迪亚大学工程与计算机科学学院);Cancer Research UK Cambridge Centre, University of Cambridge(剑桥大学癌症研究英国中心);Department of Oncology, University of Cambridge(剑桥大学肿瘤科);Department of Clinical Neurosciences, University of Cambridge(剑桥大学临床神经科学系);Computational Health Informatics Program (CHIP) and Department of Radiology, Boston Children's Hospital, Harvard Medical School(哈佛医学院波士顿儿童医院计算健康信息学计划与放射科);Sorbonne Université, Institut du Cerveau - Paris Brain Institute - ICM(索邦大学巴黎脑研究所-ICM)
系统综述2020-2025年间基于学习的脑变形补偿方法,包括深度学习配准、变形场回归、多模态对齐、切除感知架构及混合模型,指出当前方法在鲁棒性、标准化基准、可解释性和临床部署方面的局限,并展望未来研究方向。
2026-08-17 cs.CV eess.IV
FiRework: Field Refinement Framework for Efficient Enhancement of Deformable Registration
School of Biomedical Engineering, Shenzhen University Medical School, Shenzhen University(深圳大学医学部生物医学工程学院)
提出场优化框架FiRework,通过重新设计连续形变框架减轻配准误差累积与插值不精确问题,仅需单级递归训练并支持连续推理,在脑部MRI数据集上有效增强了现有可变形配准网络的性能。
2024-10-12 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
AFFIRM: Affinity Fusion-based Framework for Iteratively Random Motion correction of multi-slice fetal brain MRI
Zhejiang University(浙江大学);Shandong Medical Imaging Research Institute(山东医学影像学研究所);Cheeloo College of Medicine, Shandong University(山东大学齐鲁医学院);Shanghai Jiao Tong University(上海交通大学)
胎儿大脑的多层面磁共振图像通常被严重和任意的胎儿和母体运动所污染。因此,需要稳定且鲁棒的运动校正来重建高分辨率的3D胎儿脑体积,以用于临床诊断和定量分析。然而,传统的基于配准的校正具有有限的捕获范围,并且不足以检测相对大的运动。在这里,我们提出了一种新的亲和融合为基础的框架迭代随机运动(AFFIRM)校正的多层胎儿脑MRI。它从多个堆叠的切片中学习顺序运动,并使用亲和融合来整合2D切片和重建的3D体积之间的特征,这类似于常规管道中切片到体积配准和体积重建之间的迭代。该方法准确地估计运动,而不管大脑的方向,并优于其他国家的最先进的基于学习的方法对模拟的运动损坏的数据,与旋转的平均绝对误差减少48.4%和61.3%的位移。然后,我们将AFFIRM纳入多分辨率切片到体积配准,并在不同妊娠阶段的真实胎儿MRI扫描上进行测试。结果表明,在常规管道中加入AFFIRM后,胎儿脑超分辨率重建的成功率从77.2%提高到91.9%。
2022-05-12 cs.CV eess.IV
3D Convolutional Neural Networks Image Registration Based on Efficient Supervised Learning from Artificial Deformations
Leiden University Medical Center(莱顿大学医学中心);Delft University of Technology(代尔夫特理工大学);University Medical Center Utrecht(乌得勒支大学医学中心);TomTom(汤姆汤姆公司)
我们提出了一种监督非刚性图像配准方法,训练使用人工位移向量场(DVF),我们提出并比较三种网络架构。人工DVF允许以完全监督和体素密集的方式进行训练,但没有通常与创建密集标记数据相关的成本。我们提出了一个计划,人工生成DVF,胸部CT配准增强这些模拟呼吸运动。所提出的架构嵌入在一个多阶段的方法,以增加所提出的网络的捕获范围,以便更准确地预测更大的位移。在胸部CT扫描的多个数据库上评估了所提出的方法RegNet,并在SPREAD和DIR-Lab-4DCT研究上分别实现了2.32 $\pm$ 5.33 mm和1.86 $\pm$ 2.12 mm的目标配准误差。RegNet的两阶段平均推理时间约为2.2 s。
2019-08-27 cs.CV cs.LG eess.IV
Flexible Bayesian Modelling for Nonlinear Image Registration
Wellcome Centre for Human Neuroimaging, UCL(伦敦大学学院惠康人类神经影像中心);UCL Institute of Neurology(伦敦大学学院神经病学研究所)
我们描述了一种同构配准算法,它允许图像组被准确地对齐到一个共同的空间,我们打算将其纳入SPM软件。这个想法是在一个概率图形模型中执行推理,该模型考虑了形状和外观的变化。由此产生的框架是通用的,完全没有监督。该模型在3D人脑扫描的受试者间配准处进行评估。这里,主要的建模假设是,可以通过使潜在的“平均”大脑变形来生成个体解剖结构。该方法是不可知的成像模式,可以应用没有事先处理。我们使用免费提供的,手动标记的数据集评估算法。在此验证中,我们实现了国家的最先进的结果,在合理的运行时间内,对以前的国家的最先进的广泛使用的,受试者间配准算法。在未处理的数据集上,重叠分数的增加超过17%。这些结果证明了使用信息丰富的计算解剖框架进行非线性配准的益处。
2020-06-03 cs.CV cs.LG eess.IV
An Adversarial Approach to Register Extreme Resolution Tissue Cleared 3D Brain Images
School of Computer Science, Queensland University of Technology(昆士兰科技大学计算机科学学院);School of Electrical Engineering and Robotics, Queensland University of Technology(昆士兰科技大学电气工程与机器人学院);Centre for Data Science, Queensland University of Technology(昆士兰科技大学数据科学中心)
针对组织透明化极高分辨率3D脑图像配准难题,提出基于块的生成网络InvGAN,在100%分辨率下仅需10分钟完成配准,远快于需28小时的Elastix工具。
2025-01-31 cs.AI cs.CV eess.IV
Capturing Longitudinal Changes in Brain Morphology Using Temporally Parameterized Neural Displacement Fields
University of Sussex(萨塞克斯大学)
针对纵向脑图像配准中噪声伪影和微小变化量化的挑战,提出基于时间参数化神经位移场的方法,用INR建模连续形变场并通过正则化保证体素变化单调性,在4D脑MR配准中验证了有效性。
2025-04-13 cs.CV cs.LG
Large Deformation Diffeomorphic Image Registration with Laplacian Pyramid Networks
The Hong Kong University of Science and Technology(香港科技大学)
最近,基于深度学习的方法在可变形图像配准方面取得了可喜的成果,可用于各种医学图像分析任务。然而,现有的基于深度学习的方法通常限于小变形设置,并且这些方法经常忽略变换的理想属性,包括双射映射和拓扑保持。在本文中,我们提出了一个深拉普拉斯金字塔图像配准网络,它可以解决图像配准优化问题,在一个粗略的形态映射空间内的方式。两个MR脑扫描数据集上的广泛的定量和定性评估表明,我们的方法优于现有的方法,同时保持理想的几何形态属性和有前途的配准速度的显着保证金。
2020-06-30 cs.CV eess.IV
Embedding Gradient-based Optimization in Image Registration Networks
Imperial College London(帝国理工学院);Technical University of Munich(慕尼黑工业大学);University of Edinburgh(爱丁堡大学)
深度学习(DL)图像配准方法通过训练深度神经网络来在一次快速前向传递中预测最佳变换,从而分摊昂贵的成对迭代优化。在这项工作中,我们弥补了传统的迭代能量优化的配准和基于网络的配准之间的差距,并提出梯度下降网络的图像配准(梯度下降网络)。我们提出的方法训练了一个DL网络,该网络在其前向传递中嵌入了展开的基于多分辨率梯度的能量优化,这在其更新步骤中显式地执行图像相异性最小化。使用2D心脏MR和3D脑部MR图像对配准任务进行了广泛评价。我们证明,我们的方法实现了最先进的注册性能,同时使用更少的学习参数,具有良好的数据效率和域鲁棒性。
2022-09-12 cs.CV eess.IV
Groupwise Multimodal Image Registration using Joint Total Variation
The Wellcome Centre for Human Neuroimaging, UCL(伦敦大学学院惠康人类神经影像中心)
在医学成像中,通常的做法是采集广泛的模态(MRI、CT、PET等),以突出不同的结构或病理。由于患者在扫描或扫描会话之间的移动是不可避免的,因此配准通常是任何后续图像分析之前的重要步骤。在本文中,我们引入了一个基于联合总变分的代价函数,这样的多模态图像配准。该代价函数具有能够实现多个图像的原则性的、成组的对准的优点,同时对强强度非均匀性不敏感。我们评估我们的算法严格对齐模拟和真实的3D大脑扫描。该验证显示了CT/PET到MRI对准的强强度不均匀性和低配准误差的鲁棒性。我们的实现可以在https://github.com/brudfors/coregistration-njtv上公开获得。
2020-05-06 cs.CV eess.IV
Coordinate Translator for Learning Deformable Medical Image Registration
Johns Hopkins University(约翰斯·霍普金斯大学);National Institute on Aging(国家老龄化研究所);National Institute of Health(美国国立卫生研究院)
大多数基于深度学习(DL)的可变形图像配准方法使用卷积神经网络(CNN)来估计来自成对的移动图像和固定图像的位移场。然而,这要求CNN中的卷积核不仅要从输入中提取强度特征,还要理解图像坐标系。我们认为,后一项任务对传统CNN来说是一个挑战,限制了它们在注册任务中的性能。为了解决这个问题,我们首先引入了坐标转换器,这是一个可区分的模块,它可以识别固定图像和运动图像之间的匹配特征,并在不需要训练的情况下输出它们的坐标对应。它减轻了CNN理解图像坐标系的负担,使其能够专注于特征提取。然后,我们提出了一种新的可变形配准网络,im2grid,它使用多个坐标转换器与从CNN编码器中提取的分层特征,并以粗到细的方式输出变形场。我们比较了im2grid与最先进的DL和非DL方法的无监督3D磁共振图像配准。我们的实验表明,im2grid优于这些方法在定性和定量。
2022-07-31 cs.CV eess.IV
Weakly-Supervised Convolutional Neural Networks for Multimodal Image Registration
University College London(伦敦大学学院);University of Oxford(牛津大学)
用于多模态图像配准的监督学习中的基本挑战之一是缺乏用于体素级空间对应的基础事实。这项工作描述了一种方法来推断体素级的变换,从更高层次的对应信息中包含的解剖标签。我们认为,这样的标签是更可靠和实用的图像对的参考集比体素级对应。感兴趣的典型解剖标记可以包括实体器官、血管、导管、结构边界和其他对象特定的特设界标。所提出的端到端卷积神经网络方法旨在预测位移场,以在训练期间对齐单个图像对的多个标记的对应结构,而仅将未标记的图像对用作网络输入进行推理。我们强调了所提出的策略的多功能性,用于训练,利用不同类型的解剖标签,这些标签不需要在所有训练图像对上都是可识别的。在推断时,所得到的3D可变形图像配准算法实时运行并且是全自动的,而不需要任何解剖标记或初始化。几个网络架构的变体进行了比较登记T2加权磁共振图像和3D经直肠超声图像从前列腺癌患者。从交叉验证实验中实现了3.6 mm的地标质心上的中位目标配准误差和0.87的前列腺上的中位Dice,其中使用高质量的解剖标签对来自76名患者的108对多模态图像进行了测试。
2018-07-09 cs.AI cs.CV cs.LG
DeepFLASH: An Efficient Network for Learning-based Medical Image Registration
University of Virginia(弗吉尼亚大学)
本文介绍了DeepFLASH,一种新型的网络,具有有效的训练和推理,用于基于学习的医学图像配准。与现有的从高维成像空间中的训练数据学习空间变换的方法相比,我们完全在低维带限空间中开发了一种新的配准网络。这大大降低了昂贵的训练和推理的计算成本和内存占用。为了实现这一目标,我们首先介绍了神经架构的复值运算和表示,这些运算和表示为基于学习的配准模型提供了关键组件。然后,我们构造了一个明确的损失函数的变换场充分特征的带限空间少得多的参数化。实验结果表明,我们的方法明显快于最先进的基于深度学习的图像配准方法,同时产生同样准确的对齐。我们证明了我们的算法在两个不同的应用程序的图像配准:2D合成数据和3D真正的大脑磁共振(MR)图像。我们的代码可在https://github.com/jw4hv/deepflash上获得。
2020-04-05 cs.CV eess.IV
Joint cortical registration of geometry and function using semi-supervised learning
Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院);Massachusetts Institute of Technology(麻省理工学院);McGovern Institute for Brain Research(麦戈文脑科学研究所);Harvard University(哈佛大学)
本文提出JOSA,一种半监督学习的皮层配准框架,联合对齐折叠模式与功能图谱并学习最优图谱,在解剖和功能域显著提升配准性能,且推理时无需功能数据。
2023-10-16 cs.CV eess.IV q-bio.NC
Generating Anthropomorphic Phantoms Using Fully Unsupervised Deformable Image Registration with Convolutional Neural Networks
Johns Hopkins Medical Institutes(约翰霍普金斯医学研究所);Johns Hopkins University(约翰霍普金斯大学)
目的:计算机体模在医学影像学研究的各种应用中起着至关重要的作用。尽管现有的计算机化体模可以通过器官和体模缩放来对解剖变化进行建模,但这并不提供完全再现在人类中看到的解剖变化的方式。然而,具有模拟患者解剖结构变化的体模群体,并且在核医学中,摄取实现对于全面验证和培训至关重要。在这项工作中,我们提出了一种新的图像配准方法,从一个单一的数字幻影创建高度解剖详细的拟人幻影。方法:我们提出了一种基于深度学习的配准算法来预测变形参数,以将XCAT体模扭曲到患者CT扫描。该算法针对给定的图像对,独立于训练数据,优化了一种新的基于SSIM的目标函数,因此是真正和完全无监督的。我们评估所提出的方法在公开的低剂量CT数据集TCIA。结果如下:所提出的模型的性能进行了比较,与几个国家的最先进的方法,并优于他们超过8%,测量的SSIM和小于30%,由MSE。结论:开发了一种基于深度学习的无监督配准方法,以创建拟人幻影,同时提供可用作器官属性建模基础的“黄金标准”解剖结构。实验结果表明了该方法的有效性。由此产生的拟人幻影是高度逼真的。结合真实的成像过程模拟,生成的幻影可以在医学成像研究的许多应用。
2020-04-26 cs.CV cs.LG 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
Deformable Image Registration with Multi-scale Feature Fusion from Shared Encoder, Auxiliary and Pyramid Decoders
School of Information Science and Engineering, Linyi University(临沂大学信息科学与工程学院)
提出一种用于无监督图像配准的可变形卷积金字塔网络,通过共享辅助解码器和多尺度特征融合块融合全局与局部特征,提升复杂变形捕捉能力、配准精度及变形平滑合理性。
2024-08-11 cs.AI cs.CV