- 博客(5)
- 收藏
- 关注
RSS订阅翻译 A coarse-to-fine deformable transformation framework for unsupervised multi-contrast MR image re（论文）
通过这种方式我们成功地将变换场与注册图像中的像素对齐，公式表示如下：由于没有参考图像来评估多对比登录预测的准确性，所以很难同时从M到F、从F到M的双向配准。对此，提出了个折中的方法，即将多对比度的双向图像配准任务转换为单模图像配准任务，我们使。
2022-09-15 11:09:30
443
1
原创 U-Net网络
上一篇文章对无监督学习的变形医学图像配准的一篇论文做了大致概述，但仍有许多地方没有详尽理解，最近将它拆解开分开理解。文章网络模型是U-Net的变体，所以本篇文章旨在理解U-Net网络。
2022-08-06 15:17:21
1141
原创 基于深度学习的配准框架
传统通过迭代优化的图像配准框架movingimage将参照fixedimage进行形变，在形变过程中可能会丢失像素，因此需要Interpolator，即插值。可以用不同的插值方法对缺失的像素点进行恢复。接着，测量变换后的movingimage和fixedimage间相似性的标准叫Metric，标准也有很多方法实现。对转化矩阵Transform进行形变，通过迭代更新Optimizer达到最优。...
2022-07-23 15:50:34
1487
原创 图像配置分类及名词解释
研0，第一次接触深度学习，接触这个领域，写文只为了记录学习进展并总结学习内容，如有错误请纠正。图像配准是使用某种方法，基于某种评估标准，将一副或多幅图片（局部）最优映射到目标图片上的方法。通过寻找一种空间变换把一幅图像（源图像Moving image）映射到另一幅图像（目标图像，Fixed image），使得两图中对应空间同一位置的点一一对应起来，从而达到信息融合的目的。这些图像可以是不同时间（多时相配准），不同拍摄视角（多视图配准），不同传感器（比如说图像温度气味等）在不同地方拍摄（多模态配准）。这些图像
2022-07-09 22:54:54
1583
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人