过招

使用 ITK-Snap 截取 3D 图像的一个干净截面

DL-based 多模态医学图像配准方法调研

Cross-Modality Domain Adaptation for Medical Image SegmentationUnsupervised 3D Semantic Segmentation Domain Adaptation领域适应（DA）最近引起了医学成像界的强烈兴趣。通过鼓励算法对未知情况或不同的输入数据域具有鲁棒性，域自适应提高了机器学习方法对各种临床环境的适用性。虽然已经提出了各种各样的 DA 技术用于图像分割，但这些技术中的大多数已经在私有数据集或小型公共可用数据集上得到验证。此外

总之，我们相信 OBELISK 的可变形卷积是一种很有前途的强大的插件，可以很容易地集成到现有的浅 U 形网络中，并为将其用作预先训练的低参数形状编码器提供了巨大的潜力。

所谓“弱监督“实际可能是损失函数不依赖于图像模态，仅应用于分割标签。这在一定程度上更接近于传统的基于特征的配准方法，而神经网络的作用是更好地学习特征表示的方法。它还反映了这样一个事实，即与其他无监督学习相比，这种方法依赖于人工标注的解剖知识，而不是图像匹配的统计特性（例如，通过基于图像体素强度的相似性度量）。

转载自：【论文笔记】VoxelMorph-无监督医学图像配准模型本文是无监督的医学图像配准模型——VoxelMorph 的论文笔记。变形配准（Deformable registration）策略通常包括两步：第一步是可实现全局对齐的仿射变形，然后是具有自由度更高的更缓慢变形变换。本文主要是关心第二步。一、记号fff 和 mmm 分别表示 fixed image 和 moving image，ϕ\phiϕ 表示从 fff 的坐标映射到 mmm 的坐标的配准场，uuu 表示一个位移向量场。gθ(f,m)

论文复现：Progressive Growing of GANs for Improved Quality, Stability, and Variation一、简介本文提出了一种新的训练 GAN 的方法——在训练过程中逐步增加生成器和鉴别器的卷积层：从低分辨率开始，随着训练的进行，添加更高分辨率的卷积层，对更加精细的细节进行建模，生成更高分辨率和质量的图像。这个方法既加快了 GAN 的训练速度，又增加了训练的稳定性，因为预先训练的低分辨率层能给更难收敛的高分辨率层带来更有利于训练的隐藏编码。本

模态独立邻域描述符（MIND） 是一种多维局部图像描述符，可实现多模态配准。???? Contrast- and modality-invariant image similarity模态独立邻域描述符（MIND） 是一种多维局部图像描述符，可实现多模态配准。在配准单模态的扫描时，它还被证明可以提高准确性和鲁棒性。每个 MIND 描述符只计算在一个 patch 内的距离（一个扫描的局部邻域内）。MIND 的比较是以采样样例的平方/绝对差之和来表示的。The Modali

我们已经预处理了一个由 400 个大脑组成的重要亚组，分为训练（300）、验证（50）和测试（50）。我们使用几个软件包（FreeSurfer 7.1 和 SAMSEG）计算了包含 40 个皮质和皮质下解剖标签的分割图。我们将融合这些标签图，并在 MGH 神经科学家的帮助下手动验证所有 400 次扫描。

在腹部 CT 和 MRI 上，不同表现之间的差异（例如，年龄、性别、身高、正常解剖变异和疾病状态）可以通过观察每个器官的大小、形状和外观来预测。但是，个体本身由于诸如：姿势、呼吸周期、水肿、消化状态等，很容易改变腹部器官的形状和器官之间的位置关系，使配准进一步复杂化。

DeepAtlas: Joint Semi-Supervised Learning of Image Registration and SegmentationXu, Zhenlin and M. Niethammer. “DeepAtlas: Joint Semi-Supervised Learning of Image Registration and Segmentation.” MICCAI (2019).AbstractDeep convolutional neural networks

Deep Learning-Based Concurrent Brain Registration and Tumor SegmentationEstienne, T. et al. “Deep Learning-Based Concurrent Brain Registration and Tumor Segmentation.” Frontiers in Computational Neuroscience 14 (2020): n. pag.AbstractImage registration

Deep learning based registration using spatial gradients and noisy segmentation labels (Learn2Reg Task 3: CT Abdominal)Théo Estienne, et al. “Deep Learning-Based Registration Using Spatial Gradients and Noisy Segmentation Labels.” MICCAI 2020AbstractI

一、Semi-supervised Medical Image Segmentation through Dual-task ConsistencyObserving thatmulti/dual-task learning attends to various levels of information which have inherent prediction perturbation, we ask the question in this work: can we explicitly bui

一、MRF-based deformable registration and ventilation estimation of lung CT1. Introduction:A. Large motion of small featuresMotion within the lungs can often be larger than the scale of the features (vessels and airways). This may cause a registration al

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 Unsupe

Left-Ventricle Quantification Using Residual U-NetKerfoot E., Clough J., Oksuz I., Lee J., King A.P., Schnabel J.A. (2019) Left-Ventricle Quantification Using Residual U-Net. In: Pop M. et al. (eds) Statistical Atlases and Computational Models of the Hea

一. Closing the Gap between Deep andConventional Image Registration usingProbabilistic Dense Displacement NetworksMattias P. Heinrich3D abdominal CT scans of the VIS-CERAL3pdd-netweakly-supervisednon-local loss1. Abstract：We address this shortco