图像配准-源码

AAN：医学图像注册的外观调整网络 图像配准是许多医学图像分析的基础。 精确图像配准的主要障碍是图像外观的变化。 最近，使用深度神经网络的基于深度学习的注册方法（DLR）的计算效率比传统的基于优化的注册方法（OR）高几个数量级。 但是，DLR的一个主要缺点是无视OR中固有的特定于目标对的优化，而是依赖于使用一组训练样本进行训练的全局优化网络来实现更快的注册。 因此，当图像对（固定/运动图像）的外观差异较大时，与OR相比，DLR固有地具有降低的适应外观变化的能力，并且性能较差。 因此，我们提出了外观调整网络（AAN），其中我们通过解剖结构受限的损失函数来利用解剖结构边缘，以生成保留解剖结构的外观变换。 我们设计了AAN，以便可以轻松地将其插入各种DLR中，以减少固定图像和运动图像之间的外观差异。 我们的AAN和DLR的网络可以无监督且端到端的方式进行协作培训。 工作流程 出版物 快来了。