针对基于深度学习的医学影像配准，检索了最新的（2020年）期刊论文，包含PR、TMI、MIA3个期刊，下面是浏览论文中的一些记录。

其中有两篇论文提供了代码。

一、PR

Deep morphological simplification network (MS-Net) for guided registration of brain magnetic resonance images（沈定刚）

解决的问题：Deformable brain MR image registration

方法的创新：this is the first work to simplify brain MR image registration by deep learning, instead of estimating deformation field directly.两条支路（Trajectory，彩色箭头)各自逐渐简化固定图像和浮动图像，使得支路末尾的两张图相似又简单，容易配准；生成简单图像后再用Demons算法对相邻的图像进行配准生成形变场（橙色箭头），最后的形变场是所有形变场的迭代。用到的神经网络是最原始的Unet,创新点在于配准思想——利用简化的图像进行配准。

实验的设置：在多个数据集上对比了 Demons和Syn

2.Training data independent image registration using generative adversarial networks and domain adaptation

解决的问题：基于深度学习的配准方法对训练数据的依赖问题，比如在大脑图像上训练出的模型不能配准眼底图像

方法的创新：用了GAN和域自适应做图像配准

实验的设置：X光、大脑MR、眼底图像上都做了实验，比如用在X光上训练的模型配准眼底图像。（这里的眼底图像事先做了预配准）

二、TMI

One-Shot Learning for Deformable Medical Image Registration and Periodic Motion Tracking

解决的问题：4D图像的运动追踪

方法的创新：提出了下图的网络架构：输入4D图像的patch，这个4D图像包含10个phase的3D图像，每个phase对应输入patch的1个通道；网络最终输出10*3（30）通道的形变场。网络分3步进行训练（对应下图从上往下的3条支路），每一步输入patch的分辨率逐渐升高，计算loss使用的形变场是当前step生成的形变场与之前step生成的形变场的叠加，从而实现a coarse-to-fine的配准。

实验的设置：3个公开数据集，包含31个4D图像，含肺的CT，左心室的MR。该方法需要对图像做预配准（如仿射配准）

Code:https://github.com/ToFec/OneShotImageRegistration

2.Progressively Trained Convolutional Neural Networks for Deformable Image Registration

解决的问题：基于深度学习的配准方法难以预测大偏移的形变场

方法的创新：提出了一种渐进式的（Progressively）网络训练方法，先利用低分辨率的图像训练深层网络，再利用更高分辨率的图像训练更浅层的网络。下图的网络层是从下往上训练出来的，核心思想和“One-Shot Learning for Deformable Medical Image Registration and Periodic Motion Tracking”是一样的——coarse-to-fine registration

实验的设置：来自3个公共数据集的肺部3D CT图像

3.Learning an Attention Model for Robust 2-D/3-D Registration Using Point-To-Plane Correspondences

解决的问题：rigid 2-D/3-D registration

方法的创新：略。（基于传统的配准方法，先提取的关键点，再基于关键点做的配准，本论文是另一篇论文的拓展）

4.Non-Rigid Respiratory Motion Estimation of Whole-Heart Coronary MR Images Using Unsupervised Deep Learning

解决的问题： Fast estimation of inter-bin 3D non-rigid respiratory motion fields for motion-corrected free-breathing CMRA（coronary magnetic resonance angiography）

方法的创新：

网络架构如下图，Unet+深监督

实验的设置：除了在仿真数据及真实数据集上验证外，对一些参数进行了分析。

5.Automatic Registration Between Dental Cone-Beam CT and Scanned Surface via Deep Pose Regression Neural Networks and Clustered Similarities（首尔大学）

To build a robust and automatic initial registration method, deep pose regression neural networks are applied in a reduced domain (i.e., two-dimensional image). Subsequently, fine registration is performed using optimal clusters.(2步配准，第一步用的深度学习）

三、MIA

Image registration: Maximum likelihood, minimum entropy and deep learning

In this work, we propose a theoretical framework based on maximum profile likelihood for pairwise and groupwise registration.

提出了一套理论可用于替代互信息。

2. ProsRegNet: A deep learning framework for registration of MRI and histopathology images of the prostate（斯坦福大学）

解决的问题：Registration of histopathology images from patients who had radical prostatectomy to pre-operative MRI allows such mapping of ground truth cancer labels onto MRI. 从而辅助医生看片子。

方法的创新：

整体框架

网络架构：采用CVPR2017一篇论文的网络，在回归的参数和loss上做了小的改进

实验的设置：和一个传统算法和一个深度学习算法（CVPR2017，网络架构相同那篇）进行了对比。

Code:https://github.com/pimed//ProsRegNet .

3.End-to-end multimodal image registration via reinforcement learning

https://www.sciencedirect.com/science/article/pii/S1361841520302425

4. Biomechanically constrained non-rigid MR-TRUS prostate registration using deep learning based 3D point cloud matching

解决的问题：non-rigid MR-TRUS image registration

方法的创新：利用点云匹配去配准图像

The registration framework consists of a convolutional neural networks (CNN) for MR prostate segmentation, a CNN for TRUS protate segmentation and a point-cloud based network for rapid 3D point cloud matching.

实验的设置：比较了2个方法，一个传统方法，一个CNN的方法

5.Difficulty-aware hierarchical convolutional neural networks for deformable registration of brain MR images（川大的学生，作者中有范敬凡，沈定刚）

6. Weakly-supervised learning of multi-modal features for regularised iterative descent in 3D image registration

【配准】2020年“基于深度学习的医学影像配准”期刊论文速览（PR,TMI,MIA）相关推荐

基于深度学习的医学影像分析：让医学诊断更高效
作者:禅与计算机程序设计艺术在过去的十几年里,人类从野蛮时代逐渐成长到文明时期,并在此过程中经历了复杂的物质和技术革命.现如今,科技已经成为生活中不可或缺的一部分.医学影像作为人类日常生活不可分割的 ...
基于深度学习的点云配准Benchmark
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者丨千百度@知乎来源丨https://zhuanlan.zhihu.com/p/289620126 ...
深度学习在医学影像中的研究进展及发展趋势
点击上方蓝字关注我们深度学习在医学影像中的研究进展及发展趋势王丽会1,2, 秦永彬1,2 1 贵州省智能医学影像分析与精准诊断重点实验室,贵州贵阳 550025 2 贵州大学计算机科学与技术学院 ...
基于深度学习的眼底影像分析最新综述
医学影像是深度学习取得极大成功的一个领域,而眼底图像是其中一个重要的分支.眼底图像是由单目相机捕获到的眼底的2D图像. 使用眼底图像可以用于对眼科疾病诊断分级.对病变点和重要的生物标记进行分割等等,对 ...
深度学习在医学影像方面的发展
深度学习在医学影像方面的发展深度学习算法在医疗影像的应用1 深度学习算法在医疗影像的应用2 分类 1.图像筛查借助医学图像来辅助诊断人体内是否有病灶,以及对病灶进行量化分级,比如通过胸片判断该胸片 ...
深度学习在医学影像的三大类项目应用
深度学习在医学影像的三大类项目应用医学影像的分类医学影像的检测医学影像的分割关于数据方面的补充深度学习在医学影像的应用项目目前主要几种在三个方面:分类.检测和分割.下面我就我所接触的这三个方 ...
论文笔记：基于深度学习的遥感影像变化检测综述
论文主要信息本篇博文主要是对该论文进行总结和翻译,如有错漏,欢迎指出.(目前仅对有监督学习部分进行了整理) 标题:Deep learning for change detection in remo ...
基于深度学习的遥感影像语义分割数据预处理
基于深度学习的遥感影像语义分割数据预处理第一次处理数据,不熟练,仅供参考数据预处理工具:Arcgis 第一步:下载遥感影像tif数据根据实际需求选择感兴趣的遥感影像区域数据来源:Google卫 ...
一种基于深度学习的增值税发票影像识别系统
一种基于深度学习的增值税发票影像识别系统-专利技术交底书缩略语和关键术语定义 1.卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构 ...

【配准】2020年“基于深度学习的医学影像配准”期刊论文速览（PR,TMI,MIA）

一、PR

二、TMI

三、MIA

【配准】2020年“基于深度学习的医学影像配准”期刊论文速览（PR,TMI,MIA）相关推荐

最新文章

热门文章