Mattias & Lasse：PDD-net in MICCAI

最新推荐文章于 2024-03-30 09:46:02 发布

原创

最新推荐文章于 2024-03-30 09:46:02 发布 · 1.1k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#PDD-net

本文介绍了德国吕贝克大学研究人员在无监督3D医学图像配准领域的最新成果，包括PDD-net和deeds两种方法。这两种方法利用对比不变特征实现大变形的快速准确估计，无需专家监督训练。在MICCAI2020-Learn2Reg挑战赛中，PDD-net在多个任务中表现出色，特别是在Task1和Task2中赢得第一。实验展示了在不同任务中如何调整方法以适应多模态和大变形的配准需求，如使用MIND特征、实例优化等策略，实现了高精度的配准效果。

简介

PDD-net 是德国吕贝克大学的 Mattias P. Heinrich 和 Lasse Hansen 在深度神经网络应用于医学图像配准（MICCAI 2020 - Learn2Reg chanllenge）竞赛中的 SOTA 成果。其中，他们的 PDD-net 在所有挑战选手中排名前三，四个子任务分别获得两个第一名和三个第二名。以下是最近他们在 MICCAI 赛后发表的解释性文章。

我主要是关注他们在 Task 1 3D 多模态医学图像配准上的 SOTA 成绩。

Discrete Unsupervised 3D Registration Methods for the Learn2Reg Challenge 👉

Mattias P. Heinrich and Lasse Hansen
MICCAI 2020 - Learn2Reg chanllenge
pdd-net 2.5、deeds
unsupervised
Discrete optimisation、Constrast-independent features

1. Abstract：

In this short paper, we describe our choices for two state-of-the-art discrete 3D registration methods that enable fast and accurate estimation of large deformations without expert supervision during training. Both approaches primarily focus on the use of contrast-invariant features with dense displacement evaluation