基于低分辨率辅助特征和卷积神经网络的脑部图像配准方法

您当前的位置：

首页 >

文章列表页 >

生物医学光学 | 更新时间：2025-09-01

- 基于低分辨率辅助特征和卷积神经网络的脑部图像配准方法
- Brain image registration method based on low-resolution auxiliary features and convolutional neural network
- 光学技术 2021年47卷第1期页码：80-86
- 作者机构：
  
  1:上海理工大学医学影像工程研究所
- 作者简介：
- 基金信息：
  
  上海市自然科学基金资助项目(18ZR1426900)
- DOI：10.13741/j.cnki.11-1879/o4.2021.01.015
  中图分类号：
- 纸质出版：2021
- 稿件说明：
移动端阅览
薛湛琦, 王远军. 基于低分辨率辅助特征和卷积神经网络的脑部图像配准方法[J]. 光学技术, 2021,47(1):80-86.

Brain image registration method based on low-resolution auxiliary features and convolutional neural network[J]. 2021, 47(1): 80-86.
薛湛琦, 王远军. 基于低分辨率辅助特征和卷积神经网络的脑部图像配准方法[J]. 光学技术, 2021,47(1):80-86. DOI： 10.13741/j.cnki.11-1879/o4.2021.01.015.

Brain image registration method based on low-resolution auxiliary features and convolutional neural network[J]. 2021, 47(1): 80-86. DOI： 10.13741/j.cnki.11-1879/o4.2021.01.015.

针对目前深度学习方法应用于医学图像配准精度不高的问题

提出了增加低分辨率辅助特征的无监督3D卷积神经网络的脑部图像配准模型。使用无监督学习的卷积网络回归出位移场

再通过空间变换层对浮动图像进行变换

然后根据构建的损失函数优化网络参数

实现端到端的无监督学习。通过添加注意力模块

在网络对应层间的连接中加入低分辨率的辅助特征

增加结构特征的同时减少多余的背景信息。方法与无监督的U-Net和VoxelMorph在MICCAI2012多图谱数据中比较

结果表明

有更高的配准精度和更快的配准速度

且不需要专家标注信息

因此在医学图像配准上具有较好的应用潜力。

浏览量

226

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于高光谱遥感的荒漠化草原草种类分类模型研究

基于改进Faster-RCNN的偏光片表面缺陷检测

基于DSA-BCNN的毫米波图像隐藏物检测

基于相位方向和尺度的光学、SAR影像自动匹配方法

基于双通道神经网络的图像脉冲噪声降噪