图像配准是医学影像处理与智能分析领域中的重要环节和关键技术.传统的图像配准算法由于复杂性较高、计算代价较大等问题,无法实现配准的实时性要求.随着深度学习方法的发展,基于学习的图像配准方法也取得显著效果.文中系统总结基于深度学习的医学图像配准方法.具体地,将方法归为3类:监督学习,无监督学习和对偶监督/弱监督学习.在此基础上,分析和讨论各自优缺点.进一步,着重讨论近年来提出的正则化方法,特别是基于微分同胚表示的正则和基于多尺度的正则.最后,根据当前医学图像配准方法的发展趋势,展望基于深度学习的医学图像配准方法.

http://manu46.magtech.com.cn/Jweb_prai/CN/abstract/abstract12159.shtml

成为VIP会员查看完整内容
0
15

相关内容

图像配准是图像处理研究领域中的一个典型问题和技术难点,其目的在于比较或融合针对同一对象在不同条件下获取的图像,例如图像会来自不同的采集设备,取自不同的时间,不同的拍摄视角等等,有时也需要用到针对不同对象的图像配准问题。具体地说,对于一组图像数据集中的两幅图像,通过寻找一种空间变换把一幅图像映射到另一幅图像,使得两图中对应于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。 该技术在计算机视觉、医学图像处理以及材料力学等领域都具有广泛的应用。根据具体应用的不同,有的侧重于通过变换结果融合两幅图像,有的侧重于研究变换本身以获得对象的一些力学属性。

新闻推荐(NR)可以有效缓解新闻信息过载,是当今人们获取新闻资讯的重要方式,而深度学习(DL)成为近年来促进新闻推荐发展的主流技术,使新闻推荐的效果得到显著提升,受到研究者们的广泛关注。主要对基于深度学习的新闻推荐方法研究现状进行分类梳理和分析归纳。根据对新闻推荐的核心对象——用户和新闻的建模思路不同,将基于深度学习的新闻推荐方法分为“两段式”方法、“融合式”方法和“协同式”方法三类。在每类方法中,根据建模过程中的具体子任务或基于的数据组织结构进行更进一步细分,对代表性模型进行分析介绍,评价其优点和局限性等,并详细总结每类方法的特点和优缺点。另外还介绍了新闻推荐中常用数据集、基线算法和性能评价指标,最后分析展望了该领域未来可能的研究方向及发展趋势。

http://fcst.ceaj.org/CN/abstract/abstract2715.shtml

成为VIP会员查看完整内容
0
19

精准地预判网络流量变化趋势可以帮助运营商准确预估网络的使用情况,合理分配并高效利用网络资源,以满足日益增长且多样化的用户需求。以深度学习算法在网络流量预测领域的进展为线索,阐述了网络流量预测的评价指标和目前公开的网络流量数据集及应用,具体分析了网络流量预测中常用的深度信念网络、卷积神经网络、循环神经网络和长短时记忆网络共四种深度学习方法,并重点介绍了近年来针对不同问题所提出的改进神经网络模型,总结了各模型特点及应用场景。最后对网络流量预测未来发展进行了展望。

http://cea.ceaj.org/CN/abstract/abstract39601.shtml

成为VIP会员查看完整内容
0
21

小目标检测一直是目标检测领域中的热点和难点,其主要挑战是小目标像素少,难以提取有效的特征信息.近年来,随着深度学习理论和技术的快速发展,基于深度学习的小目标检测取得了较大进展,研究者从网络结构、训练策略、数据处理等方面入手,提出了一系列用于提高小目标检测性能的方法.该文对基于深度学习的小目标检测方法进行详细综述,按照方法原理将现有的小目标检测方法分为基于多尺度预测、基于数据增强技术、基于提高特征分辨率、基于上下文信息,以及基于新的主干网络和训练策略等5类方法,全面分析总结基于深度学习的小目标检测方法的研究现状和最新进展,对比分析这些方法的特点和性能,并介绍常用的小目标检测数据集.在总体梳理小目标检测方法的研究进展的基础上,对未来的研究方向进行展望.

https://journal.bjut.edu.cn/article/2021/0254-0037/20210310.html

成为VIP会员查看完整内容
0
39

摘要 在线社交网络中的消息流行度预测研究,对推荐、广告、检索等应用场景都具有非常重要的作用。近年来,深度学习的蓬勃发展和消息传播数据的积累,为基于深度学习的流行度预测研究提供了坚实的发展基础。现有的流行度预测研究综述,主要是围绕传统的流行度预测方法展开的,而基于深度学习的流行度预测方法目前仍未得到系统性地归纳和梳理,不利于流行度预测领域的持续发展。鉴于此,该文重点论述和分析现有的基于深度学习的流行度预测相关研究,对近年来基于深度学习的流行度预测研究进行了归纳梳理,将其分为基于深度表示和基于深度融合的流行度预测方法,并对该研究方向的发展现状和未来趋势进行了分析展望。

http://jcip.cipsc.org.cn/CN/abstract/abstract3082.shtml

成为VIP会员查看完整内容
0
32

利用深度学习方法对医学影像数据进行处理分析,极大地促进了精准医疗和个性化医疗的快速发展。深度学习在医学图像领域的应用较为广泛,具有多病种、多模态、多组学和多功能的特点。为便于对深度学习在医学图像处理领域的应用进行更深入有效的探索,本文系统综述了相关研究进展。首先,从深度学习在影像基因组学中的应用出发,理清了深度学习在医学影像领域应用的一般思路和现状,将医学影像领域分为智能诊断、疗效评估和预测预后等3个模块,并对模块内的各病种进行总结,展示了深度学习各算法的优缺点及面临的问题和挑战。其次,对深度学习中出现的新思路、新方法以及对传统方法的改进进行了阐述。最后,总结了该领域现阶段面临的问题,并对未来的研究方向做出了展望。基于深度学习的医学图像智能处理与分析虽然取得了一些有价值的研究成果,但还需要根据临床的实际需求,将深度学习与经典的机器学习算法及无创并且高效的多组学数据结合起来,对深度学习的理论和方法进行深入研究。

http://www.cjig.cn/jig/ch/reader/view_abstract.aspx?file_no=20210206&flag=1

成为VIP会员查看完整内容
0
34

摘要:医学影像分割是计算机视觉在医学影像处理中的一个重要应用领域,其目标是从医学影像中分割出目标区域,为后续的疾病诊断和治疗提供有效的帮助。近年来深度学习技术在图像处理方面取得了巨大进展,基于深度学习的医学影像分割算法逐渐成为该领域研究的重点和热点。首先叙述了计算机视觉下的医学影像分割任务及其难点,然后重点综述了基于深度学习的医学影像分割算法,对当前具有代表性的相关方法进行了分类和总结,进而介绍了医学影像分割算法常用的评价指标和数据集。最后,对该技术的发展进行了总结和展望。

成为VIP会员查看完整内容
0
59

信息论的经典结果表明,信源信道分离编码是渐进最优的。但现代通信系统对时延、带宽等愈发敏 感,分离设计对解码具有无限计算能力这一假设难以成立。带宽有限时,相对于信源信道联合编码,分离编 码已被证明是次优的。传统的联合信源信道编码需要复杂的编码方案,相较之下,数据驱动的深度学习技术 则带来了新的设计思路。适时地对相关研究成果进行总结,有助于进一步明确深度学习方法解决信源信道联 合编码问题的方式,为研究新的研究方向提供依据。首先介绍了基于深度学习的信源压缩方案和端对端收发 信机模型,随后分析不同信源类型下的两种联合编码设计思路,最后探讨了基于深度学习的信源信道联合编 码的潜在问题和未来的工作方向。

成为VIP会员查看完整内容
0
22

深度学习能自动从大样本数据中学习获得优良的特征表达,有效提升各种机器学习任务的性能,已广泛应用于信号处理、计算机视觉和自然语言处理等诸多领域。基于深度学习的医学影像智能计算是目前智慧医疗领域的研究热点,其中深度学习方法已经应用于医学影像处理、分析的全流程。由于医学影像内在的特殊性、复杂性,特别是考虑到医学影像领域普遍存在的小样本问题,相关学习任务和应用场景对深度学习方法提出了新要求。本文以临床常用的X射线、超声、计算机断层扫描和磁共振等4种影像为例,对深度学习在医学影像中的应用现状进行综述, 特别面向图像重建、病灶检测、图像分割、图像配准和计算机辅助诊断这5大任务的主要深度学习方法的进展进行介绍,并对发展趋势进行展望。

http://www.cjig.cn/jig/ch/reader/view_abstract.aspx?edit_id=20200923131243001&flag=2&file_no=202006020000002&journal_id=jig

成为VIP会员查看完整内容
0
61

摘要:近年来,基于深度学习的表面缺陷检测技术广泛应用在各种工业场景中.本文对近年来基于深度学习的表面缺陷检测方法进行了梳理,根据数据标签的不同将其分为全监督学习模型方法、无监督学习模型方法和其他方法三大类,并对各种典型方法进一步细分归类和对比分析,总结了每种方法的优缺点和应用场景.本文探讨了表面缺陷检测中三个关键问题,介绍了工业表面缺陷常用数据集.最后,对表面缺陷检测的未来发展趋势进行了展望.

成为VIP会员查看完整内容
0
54

【导读】医学图像配准( Medical Image Registration)作为近年来的研究热点之一,受到了广泛关注,每年在各大会议上都有大量的相关文章发表。当前,基于深度学习的医学图像配准变得越来越流行,人们提出了许多方法来解决这一领域的不同问题。美国埃默里大学医学院Xiaofeng Yang老师课题组新出的这篇论文对近几年医学图像配准深度学习方法进行了全面综述,根据其方法、特征和流行程度分为七类,对每个类别进行了详细的调研,强调了其重要的点及其相应挑战,帮助读者更好地了解当前的研究现状和思路,并且使用基准数据集对基于深度学习的肺和脑配准方法进行了全面比较,最后也介绍了未来的研究方向。

题目:Deep Learning in Medical Image Registration: A Review

作者:Yabo Fu, Yang Lei, Tonghe Wang, Walter J. Curran, Tian Liu, Xiaofeng Yang

【摘要】本文综述了基于深度学习的医学图像配准方法和基于深度学习的配准方法在医学领域的最新发展和应用。这些方法根据其方法、特征和流行程度分为七类。我们对每个类别进行了详细的审查,强调了重要的贡献和确定了具体的挑战。在详细检查每一类别之后,提出了简短的评价,以总结其成就和未来的潜力。我们使用基准数据集对基于深度学习的肺和脑配准方法进行了全面比较。最后,我们从各个方面对所有被引工作进行统计分析,揭示了基于深度学习的医学图像配准的普及和未来趋势。

引言

图像配准又称图像融合或图像匹配,是基于图像外观对两幅或多幅图像进行配准的过程。医学图像配准试图找到一个最佳的空间转换,以最好地对齐底层的解剖结构。医学图像配准在很多临床应用中都有使用,如image guidance [22,123,148,170],motiontracking [13,46,172],segmentation [44,57,174,171,173,176],dose accumulation [1,153],imagereconstruction [91]等。

医学图像配准是一个广泛的课题,可以从不同的角度进行分类。从输入图像的角度来看,挂号方式可以分为单峰挂号、多峰挂号、患者间挂号、患者内挂号(如当天挂号或当日挂号)。从变形模型的角度看,配准方法可分为刚性配准方法、仿射配准方法和可变形配准方法。从感兴趣区域(ROI)的角度来看,配准方法可以根据脑、肺等解剖部位进行分组。从图像对维数的角度来看,配准方法可分为3D到3D、3D到2D、2D到2D/3D。不同的应用程序和配准方式面临着不同的挑战。对于多模态图像配准,由于不同成像方式之间固有的外观差异,很难设计出准确的图像相似度度量。由于不同患者的基础解剖结构不同,因此患者之间的配准可能很棘手。由于代谢过程、排便、患者增/减体重等引起的图像外观变化,患者不同天数的住院配准具有挑战性。为了提供实时的图像制导,配准的计算效率至关重要。

人们提出了许多方法来应对上述挑战。目前比较流行的配准方法有optical flow [169,167]、demons [154]、ANTs[3]、HAMMER[131]、ELASTIX[75]等。尽管医学图像配准已被广泛研究,但它仍然是一个热门的研究主题。医学图像配准领域发展迅速,每年都有数百篇论文发表。近年来,基于深度学习的方法已经改变了医学图像处理研究的面貌,并在许多应用中取得了最新的成果[25、27、45、58、84、85、86、88、89、97、98、156、157、158、160、161]。然而,医学图像配准中的深度学习直到最近三到四年才得到广泛的研究。虽然已有多篇关于医学图像分析中深度学习的综述文献发表[73、93、96、105、106、121、132、182],但针对医学图像配准[60]中深度学习的综述文献较少。本文的目的是总结基于深度学习的医学图像配准方法的最新发展、挑战和趋势。通过这篇综述,我们旨在:

1)综述了基于深度学习的医学图像配准的最新进展。

2)突出贡献、确定挑战并概述未来趋势。

3)从不同角度提供最新出版物的详细统计数据。

在这篇文章中,将DL-based医学图像配准方法按其方法,特征和受欢迎程度分为七类,包括1)基于RL的方法,2)基于深度相似性的方法,3) 监督变换预测, 4)无监督变换预测, 5) 医学图像配准中的GAN, 6) 使用深度学习的配准验证,和7) 其他基于学习的方法。

图1. 医学图像配准中基于深度学习的七类方法综述

在每个类别中,我们提供了一个完整的表格,列出了所有属于该类别的被综述工作并总结了它们的重要特征。我们总共收集了150多篇与基于深度学习的医学图像配准密切相关的论文。这些工作大多发表于2016年至2019年之间。在图2中,出版物的数量通过堆叠柱状图来表示。论文的数量是按类别计算的。

从图2可以看出,人们对有监督变换预测(SupCNN)和无监督变换预测(UnsupCNN)的兴趣明显增加。与此同时,GAN逐渐受到欢迎。

图2. 基于深度学习的医学图像配准中出版的文章数量。虚线表示近年来人们对基于深度学习的配准方法越来越感兴趣。“ DeepSimilarity”是在传统配准框架中使用基于DL的相似性度量的类别。“ RegValidation”代表使用DL进行配准验证的类别。

表1. 基于深度相似性的方法概述

表2. RL在医学图像配准中的应用概况

表3. 监督变换预测方法综述

表4. 无监督变换预测方法综述

表5 GAN配准方法概述

表6使用深度学习的配准验证方法概述

表7其他基于深度学习的图像配准方法综述

表8 DIRLAB数据集中不同方法的目标配准误差(TRE)值比较,TRE单位:(mm), *:传统DIR方法

表9用于脑配准的基准数据集和评价指标

图4. 基于深度学习的图像配准方法各属性的百分比饼图。

挑战与机遇

对于有监督的基于深度学习的方法,最常见的挑战之一是缺乏具有已知转换的训练数据集。这个问题可以通过各种数据扩充方法来缓解。然而,数据增强方法可能会引入额外的误差,如不切实际的人工转换的偏差和在训练和测试阶段之间的图像域转移。

配准验证方法与配准方法同样重要。我们注意到2019年越来越多的论文关注配准验证。为了可靠地评价不同配准方法在不同参数配置下的性能,需要对配准验证方法进行更多的研究。

趋势

从被引文献的统计数据来看,对于快速图像配准,存在直接变换预测的明显趋势。到目前为止,有监督的和无监督的变换预测方法的研究几乎是相等的,这两种方法的发表数量都很接近。有监督方法和无监督方法各有优缺点。我们推测,在未来,更多的研究将集中在有监督和无监督相结合的方法上。由于GAN不仅可以用于引入额外的正则化,还可以用于图像域转换,从而实现多模态到单模态的图像配准,因此基于GAN的配准方法逐渐得到了广泛的应用。基于GAN的医学图像配准技术将稳步发展。由于配准问题的病态性,新的变换正则化技术一直是研究的热点。

成为VIP会员查看完整内容
0
32
小贴士
相关VIP内容
专知会员服务
19+阅读 · 6月26日
专知会员服务
21+阅读 · 5月30日
专知会员服务
39+阅读 · 4月29日
专知会员服务
32+阅读 · 3月24日
专知会员服务
34+阅读 · 2月16日
专知会员服务
59+阅读 · 1月11日
专知会员服务
22+阅读 · 1月9日
专知会员服务
61+阅读 · 2020年11月15日
专知会员服务
54+阅读 · 2020年5月31日
相关资讯
基于深度学习的数据融合方法研究综述
专知
6+阅读 · 2020年12月10日
基于深度学习的医学图像半监督分割
CVer
7+阅读 · 2020年9月24日
最全综述:基于深度学习的三维重建算法
极市平台
4+阅读 · 2020年3月17日
综述 | 图像配准 Image registration
计算机视觉life
12+阅读 · 2019年9月12日
最全综述 | 图像分割算法
极市平台
17+阅读 · 2019年6月23日
深度学习与医学图像分析
人工智能前沿讲习班
24+阅读 · 2019年6月8日
中科院赵地:深度学习在 4 大超声影像中的应用
AI掘金志
6+阅读 · 2017年12月17日
相关论文
An Energy-Efficient Edge Computing Paradigm for Convolution-based Image Upsampling
Ian Colbert,Ken Kreutz-Delgado,Srinjoy Das
0+阅读 · 7月26日
Petia Koprinkova-Hristova
0+阅读 · 7月23日
Poorya Aghdaie,Baaria Chaudhary,Sobhan Soleymani,Jeremy Dawson,Nasser M. Nasrabadi
0+阅读 · 7月22日
Deep Learning for 3D Point Cloud Understanding: A Survey
Haoming Lu,Humphrey Shi
9+阅读 · 2020年9月18日
Deep Learning for 3D Point Clouds: A Survey
Yulan Guo,Hanyun Wang,Qingyong Hu,Hao Liu,Li Liu,Mohammed Bennamoun
3+阅读 · 2019年12月27日
Deep learning for cardiac image segmentation: A review
Chen Chen,Chen Qin,Huaqi Qiu,Giacomo Tarroni,Jinming Duan,Wenjia Bai,Daniel Rueckert
14+阅读 · 2019年11月9日
Yulun Zhang,Kunpeng Li,Kai Li,Bineng Zhong,Yun Fu
8+阅读 · 2019年3月24日
Chi Nhan Duong,Khoa Luu,Kha Gia Quach,Nghia Nguyen,Eric Patterson,Tien D. Bui,Ngan Le
3+阅读 · 2018年11月27日
Holger R. Roth,Hirohisa Oda,Xiangrong Zhou,Natsuki Shimizu,Ying Yang,Yuichiro Hayashi,Masahiro Oda,Michitaka Fujiwara,Kazunari Misawa,Kensaku Mori
10+阅读 · 2018年3月20日
Top