作者：Dongyang Kuang1 and Tanya Schmah 1 单位：1 Department of Math & Stat University of Ottawa, Ottawa, Canada发表期刊：Lecture Notes in Computer Science,2019,LNCS 11861:46-54论文简介：本文提出了一种新的无监督学习算法“ FAIM”，用于3D医学图像配准。与流行的“ U-net” 相比，该网络具有不同的体系结构，可获取一对完整的图像体积，并预测将源对准目标所需的位移场。与基于V-elMorph的基于“ U-net”的配准网络相比，FAIM具有较少的可训练参数，但可以通过Mindboggle-101数据集中区域标签上的Dice得分判断获得更高的配准精度。FAIM产生的变形具有较少的“折叠”，即表面在其自身折叠的不可逆区域。我们发现，在一定范围的超参数（两个网络使用相同的值）下，FAIM能够保持较高的精度和与VoxelMorph相比更少的“折叠”位置的优点。此外，当为了获得更好的可逆性而权衡配准精度时，FAIM需要更少的配准精度牺牲。研究方向：医学图像配准（深度学习）
下载作者：MGuha Balakrishnan 1, Amy Zhao1, Mert R. Sabuncu2, John Guttag 1, and Adrian V. Dalca 1单位：1 Computer Science and Artificial Intelligence Lab, MIT, Cambridge, MA, USA， 2 School of Electrical and Computer Engineering, Cornell University, Ithaca, NY, USA发表期刊：IEEE TRANSACTIONS ON MEDICAL IMAGING,2019,38:1788-1800论文简介：我们提出了VoxelMorph，这是一个基于快速学习的框架，用于可变形的成对的医学图像配准。我们通过卷积神经网络（CNN）参数化函数，并在一组图像上优化神经网络的参数。给定新的扫描对，VoxelMorph通过直接评估函数快速计算变形场。在这项工作中，我们探索两种不同的训练策略。在第一个（无监督）设置中，我们训练模型以最大化基于图像强度的标准图像匹配目标函数。在第二种设置中，我们利用训练数据中可用的辅助分割。我们证明了无监督模型的准确性可与最先进方法相媲美，而运算速度要快几个数量级。我们还表明，使用辅助数据训练的VoxelMorph在测试时可提高的配准准确性，并评估训练集大小对配准的影响。我们的方法有望加快医学图像分析和处理流程，同时促进基于学习的配准及其应用的新颖方向。研究方向：医学图像配准（深度学习）
下载作者：Adrian V. Dalcaa,b,c，Guha Balakrishnana a，John Guttag a（Harvard Medical School），Mert R. Sabuncu c,d单位：a Computer Science and Artificial Intelligence Lab, MIT, Cambridge, MA, USA b Martinos Center for Biomedical Imaging, Massachusetts General Hospital, HMS, Charlestown,MA, USA cSchool of Electrical and Computer Engineering, Cornell University, Ithaca, NY, US d Meinig School of Biomedical Engineering, Cornell University, Ithaca, NY, USA发表期刊：MEDICAL IMAGE ANALYSIS,2019,57:226-236论文简介：经典的可变形配准技术可实现令人印象深刻的结果并提供严格的理论处理，但由于它们解决了每个图像对的优化问题，因此计算量很大。基于学习的方法通过学习空间变形函数促进了快速配准。但是，这些方法使用受限的变形模型，需要监督标签或不能保证微分同胚配准。此外，基于学习的配准工具还没有从可以提供不确定性估计的概率框架中推导出来。本文建立了经典方法与基于学习的方法之间的联系。我们提出了一个概率生成模型，并推导了一种无监督的基于学习的推理算法，该算法利用了经典配准方法的见解，并利用了卷积神经网络（CNN）的最新发展。我们的原则性方法可提供最先进的准确性和非常快的运行时间，同时提供微分同胚的保证。研究方向：医学图像配准（深度学习）
下载作者：Christian F. Baumgartner1, Kerem C. Tezcan 1 , Krishna Chaitanya 1 , Andreas M. H¨otker 2 , Urs J. Muehlematter 2 , Khoschy Schawkat 2,4 , Anton S. Becker 2,3 , Olivio Donati 2 , and Ender Konukoglu 1单位：1 Computer Vision Lab, ETH Z¨urich, Switzerland 2 University Hospital Z¨urich, Switzerland 3 Memorial Sloan Kettering Cancer Center, New York, USA 4 Beth Israel Deaconess Medical Center, Harvard Medical School, Boston, USA发表期刊：Lecture Notes in Computer Science,2019,LNCS 11765:19-27论文简介：解剖结构和病理的分割显然是模棱两可的。例如，结构边界可能看不清楚，或者 不同的专家可能具有不同的标注样式。当前大多数最先进的方法都无法解决此类繁琐的问题， 而是学习从图像到分割的单个映射。在这项工作中，我们提出了一种新颖的方法来 对给定输入图像的分割的条件概率分布建模。我们推导了一个分层的概率模型，其中单独的潜在变量负责对不同分辨率下的分割进行建模。利用变分自编码框架可以有效地执行该模型中的推断。我们显示，与最近的相关工作相比，当使用来自单个或多个注释器的标注进行训练时，我们提出的方法可用于生成明显更实际和多样化的分割样本。研究方向：医学图像分割（深度学习）
下载作者：Lihao Liu1, Xiaowei Hu1, Lei Zhu1, and Pheng-Ann Heng1单位：1Dept. of Computer Science and Engineering, The Chinese University of Hong Kong发表期刊：Lecture Notes in Computer Science,2019,LNCS 11765:46-54论文简介：脑图像配准将一对图像转换为具有匹配成像内容的系统，这对于脑图像分析至关重要。 本文通过捕获未对齐图像和参考图像之间的特征级转换换关系，提出了一种用于无监督3D脑图像配准的新颖框架。 为了实现这一点，我们开发了一个特征级别的概率模型，以提供对两个深度卷积神经网络的隐藏层的直接正则化，该隐藏层由两个输入图像构成。 该模型设计被开发为这两个网络的多层，以捕获不同级别的转换关系。 我们采用两个常见的基准数据集进行3D脑图像配准，并进行各种实验以评估我们的方法。 实验结果表明，在两个基准数据集上，我们的方法明显优于最新方法。研究方向：医学图像配准（深度学习）
下载作者：Jeff Orchard1, and Richard Mann1单位：1Univ Waterloo, David R Cheriton Sch Comp Sci, Waterloo, ON N2L 3G1, Canada发表期刊：IEEE TRANSACTIONS ON IMAGE PROCESSING ,2010, 19:1236-1247论文简介：许多配准场景涉及对齐两个以上的图像。 通常，通过选择一个图像作为模板来配准这些称为整体的图像集，然后将其他所有图像配准到该图像集。 这种成对的方法存在问题，因为结果取决于选择哪个图像作为模板。 对于多传感器集合来说，这个问题尤为严重，因为不同的传感器创建的图像具有不同的特征。 同样，成对方法一次只使用一部分可用数据。 在本文中，我们提出了一种最大似然聚类方法，该方法同时将所有图像配准在一个多传感器集合中。 涉及刚体和仿射变换的实验表明，聚类方法比竞争的成对配准方法更健壮和准确。 此外，聚类结果可用于形成图像集合的基本分割。研究方向：医学图像配准
下载作者：Barbara Zitova´*, Jan Flusser单位：Department of Image Processing, Institute of Information Theory and Automation, Academy of Sciences of the Czech Republic Pod voda´renskou veˇzˇı´ 4, 182 08 Prague 8, Czech Republic发表期刊：Image and vision computing, 2003, 21(11): 977-1000.论文简介：论文介绍了经典的图像配准方法，图像配准是在几何上对齐在不同时间，从不同视点和/或通过不同传感器拍摄的同一场景的图像（两个或多个）的过程。论文介绍了两类配准方法：基于区域和基于特征，以及图像配准过程的四个基本步骤：特征检测，特征匹配，映射函数设计以及图像转换。研究方向：图像配准综述
下载作者：Grant Haskins，Uwe Kruger，Pingkun Yan*单位：Department of Biomedical Engineering, Rensselaer Polytechnic Institute, Troy, NY 12180, USA发表期刊：Machine Vision and Applications, 2020, 31(1): 8.论文简介：论文概述了在过去几年中基于深度学习的医学图像配准的发展，重点包含了研究挑战和相关创新，此外，论文着重指出了未来的研究方向，以显示该领域可能如何前进到下一个层次。研究方向：图像配准深度学习方法综述
下载作者：Radu Horauda, Florence Forbesa, Manuel Yguela, Guillaume Dewaelea, and Jian Zhangb单位：a. INRIA Grenoble Rhoˆne-Alpes, 655 avenue de l’Europe, 38330 Montbonnot Saint-Martin, France. b. Department of Electrical and Electronic Engineering, The University of Hong Kong, CYC 807 Pokfulam, Hong Kong.发表期刊：IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 33(3): 587-602.论文简介：论文通过点云特征解决图像的刚性配准问题，论文基于EM算法进行创新，提出了一种ECMPR算法，论文对该算法提供了深度的理论分析与实验分析。研究方向：点云配准
下载作者：Weijian Huang 1, Hao Yang 1 , Xinfeng Liu 3, Cheng Li 1, Ian Zhang 1, Rongpin Wang 3, Hairong Zheng 1 and Shanshan Wang 1,2单位：1 Paul C. Lauterbur Research Center for Biomedical Imaging, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, China 2 Pengcheng Laboratory, Shenzhen, Guangdong, China and Pazhou Lab, Guangzhou, China 3 Guizhou Provincial People’s Hospital, Radiology Guiyang, Guizhou, China 发表期刊：IEEE Transactions on Medical Imaging论文简介：多对比磁共振(MR)图像配准在临床上可以实现快速、准确的基于成像的疾病诊断和治疗计划。尽管如此，现有配准算法的效率和性能仍有待提高。本文提出了一种新的基于无监督学习的多对比度磁共振图像配准框架，以实现准确、高效的多对比度磁共振图像配准。研究方向：医学图像配准
下载作者：Tony C.W. Mok, Albert C.S. Chung单位：Department of Computer Science and Engineering, The Hong Kong University of Science and Technology发表期刊：2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)论文简介：微分形变图像配准在许多医学图像研究中是至关重要的，因为它提供了独特的、特殊的性质，包括拓扑保持和变换的可逆性。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)从合成的地面真实值或相似性度量学习空间变换来实现快速的图像配准。然而，这些方法往往忽略了变换的拓扑保持性和变换的光滑性，而变换的光滑性仅由全局平滑能量函数来强制执行。此外，基于深度学习的方法往往直接估计位移场，不能保证逆变换的存在。本文提出了一种新的、高效的无监督对称图像配准方法，该方法在微分同胚映射空间内最大化图像之间的相似度，并同时估计正反变换。我们用一个大规模的脑图像数据集对我们的3D图像配准方法进行了评估。我们的方法在保持理想的微分同胚性质的同时，获得了最先进的配准精度和运行时间。研究方向：医学图像配准
下载