XiaoMi-AI文件搜索系统
World File Search System图像配准
地球遥感图像的多传感器配准
假设系统校正系统在几个像素内给出近似配准，我们开发了用于多传感器数据的自动图像配准方法，目标是实现亚像素精度。自动图像配准通常由三个步骤定义：特征提取、特征匹配和数据重采样或融合。我们之前的工作重点是基于使用不同特征的图像相关方法。在本文中，我们研究了不同的特征匹配技术，并提出了五种算法，其中特征是原始灰度或小波类特征，特征匹配基于梯度下降优化、统计稳健匹配和互信息。这些算法在多个多传感器数据集上进行了测试和比较，这些数据集覆盖了 EOS 核心站点之一，即堪萨斯州的 Konza Prairie，来自四个不同的传感器：IKONOS（4m）、Landsat-7/ETM+（30m）、MODIS（500m）和 SeaWIFS（1 000m）。
基于单精度浮点非迭代粗到精配准...
摘要。可变形图像配准是医学图像分析中的关键步骤，用于找到一对固定图像和运动图像之间的非线性空间变换。基于卷积神经网络 (CNN) 的深度配准方法已被广泛使用，因为它们可以快速、端到端地执行图像配准。然而，这些方法通常对具有较大变形的图像对性能有限。最近，迭代深度配准方法已被用来缓解这一限制，其中变换以由粗到细的方式迭代学习。然而，迭代方法不可避免地延长了配准运行时间，并且倾向于在每次迭代中学习单独的图像特征，这阻碍了利用这些特征来促进以后的迭代配准。在本研究中，我们提出了一种用于可变形图像配准的非迭代由粗到细配准网络 (NICE-Net)。在 NICE-Net 中，我们提出了：(i) 单次深度累积学习 (SDCL) 解码器，可以在网络的单次（迭代）中累积学习从粗到细的转换；(ii) 选择性传播特征学习 (SFL) 编码器，可以学习整个从粗到细配准过程的常见图像特征并根据需要选择性传播这些特征。在 3D 脑磁共振成像 (MRI) 的六个公共数据集上进行的大量实验表明，我们提出的 NICE-Net 可以胜过最先进的迭代深度配准方法，而只需要与非迭代方法类似的运行时间。
人工智能系统在乳腺癌筛查计划中有用吗？
可变形医学图像配准的学习框架。IEEE TMI：Trans Med Imaging。2019；38：1788---800。37.Trister AD、Buist DS、Lee CI。机器学习会在乳腺癌筛查中发挥重要作用吗？JAMA Oncol。2017；3：1463---4。38.Cole EB、Zhang Z、Marques HS、Nishikawa RM、Hendrick RE、Yaffe MJ 等。评估计算机辅助的独立敏感性
人工智能硕士课程要求 1. 课程类型
在本课程结束时，学生将能够： 1. 评估适合解决人工智能问题的图像处理技术。 2. 评估给定人工智能场景下图像处理方法的性能。 3. 在人工智能领域设计和开发图像处理系统 课程内容概要 本课程探讨解决人工智能问题的图像处理技术。图像形成和图像模型是涉及的初始步骤，它涵盖像素和对象级操作，包括直方图、边缘和片段。比较了图像增强和恢复。包括图像配准和图像变换操作。最后，给出图像特征和识别过程。包括计算机视觉的深度学习方法 评估和加权
下一代放射学人工智能
多模式研究当同一病变通过不同模式成像时（例如 CT 和 MRI），挑战更大。在这种情况下，AI 不仅可用于病变检测和描绘，还可用于不同模式的发现之间的配准。请注意，在某些情况下无法进行直接图像配准。例如，提供身体投影的 X 射线不能直接与提供身体横截面的超声波结合。在这些情况下，需要基于对所讨论对象的理解进行更抽象的配准。此外，相关信息可能由非成像模式（如临床信息、基因组学或其他组学）提供。AI 系统很可能为组合与特定患者诊断相关的不同数据提供一个理想的平台。
特刊人工智能用于眼底照相机和扫描激光检眼镜图像的自动叠加
眼底视网膜成像和荧光血管造影数据，利用视网膜图像中视网膜血管树的存在。6 Mahapatra 等人应用生成对抗网络在注册文件的监督下注册多模态图像，这些注册文件由其他传统方法获得。7 然而，在这两项研究中，叠加方法仅限于用相同相机和相同视野拍摄的视网膜图像，只是波长不同（用标准相机拍摄的荧光血管造影和彩色眼底图像）。此外，人工智能已用于分析单模态图像分析以对疾病进行分类或检测，10-12 但目前还没有方法可以共定位和分析多个成像和功能数据。因此，作为应用人工智能分析多仪器成像和功能研究的初步步骤，我们尝试将来自扫描激光平台的图像叠加到眼底照相机平台上。这些成像平台利用不同的光学路径和不同类型的照明（扫描激光与泛光照明）。我们选择使用红外扫描激光检眼镜 (IR SLO) 图像作为原型 SLO 图像来叠加到彩色眼底 (CF) 上。照片是用眼底照相机拍摄的，因为所有接受光学相干断层扫描 (OCT) 扫描的患者都会进行此类成像，而且红外图像的光学和纵横比预计与用 SLO 拍摄的自发荧光 (AF) 或多色 (MC) 图像相似并因此适用于这些图像，所以这些结果可能适用于许多类型的图像。我们注意到 SLO 图像是使用与 CF 图像不同的光学和仪器拍摄的，因此这似乎是确定 AI 代理是否可以通过检查血管位置来完成这种叠加的良好开端。这项研究的创新之处在于，我们对一种新型 AI 算法在多模态视网膜图像配准方面的表现进行了严格的、隐蔽的研究。我们的算法能够执行图像配准，而无需大量手动注释的真实图像集。
![arXiv:2002.06468v1 [eess.IV] 2020 年 2 月 15 日](/simg/g:\will\search\icon\source\7\777499bdbfc6571bf7c9699107ab07bc006666e7.webp)
arXiv:2002.06468v1 [eess.IV] 2020 年 2 月 15 日
近期，深度学习技术在医学图像配准中的应用与传统技术相比，大幅减少了配准时间并逐步提高了配准精度。大多数基于学习的配准方法将此任务视为单向问题。因此，仅考虑从运动图像到目标图像的对应关系。然而，在某些医疗程序中，需要执行双向配准。与其他基于学习的配准不同，我们提出了一种具有逆一致性的配准框架。所提出的方法以无监督的方式同时学习前向变换和后向变换。我们在公开的 LPBA40 MRI 数据集上对该方法进行训练和测试，并证明其比基线配准方法具有更强的性能。
结合简单的交互性和机器学习：一种可分离的深度学习方法，用于 MRI 中的丘脑底核定位和分割，用于深部脑刺激手术规划
结合了影像学和症状学信息。1 由于确定适当电极轨迹的复杂性，必须从术前图像中准确分割出感兴趣的解剖结构。对于 DBS 术前规划，分割主要通过将患者图像配准到图谱空间中来确定，在该图谱空间中，感兴趣的解剖结构（通常是丘脑底核 (STN)）以及其他显著区域已经预先分割。2、3 使用预先分割的图谱有几个优点。从临床角度来看，可以将大量分割区域从图谱移植到患者空间，从而简化工作流程的计算方面。从研究角度来看，使用图谱，可以将患者图像中特定于患者的信息移植回通用图谱坐标系，从而可以辨别出人群信息，这有助于指导治疗。4
![arXiv:2005.02933v1 [eess.IV] 2020 年 5 月 6 日](/simg/g:\will\search\icon\source\2\235153b646f9d9cc677346ddb80d9cb058ed73e6.webp)
arXiv:2005.02933v1 [eess.IV] 2020 年 5 月 6 日
摘要。在医学成像中，通常需要获取多种模态（MRI、CT、PET 等）以突出不同的结构或病理。由于患者在扫描或扫描会话之间移动是不可避免的，因此配准通常是任何后续图像分析之前的必要步骤。在本文中，我们引入了一种基于联合总变分的成本函数，用于此类多模态图像配准。该成本函数的优点是可以对多个图像进行原则性、分组对齐，同时对强强度不均匀性不敏感。我们在严格对齐模拟和真实 3D 脑部扫描时评估了我们的算法。此验证表明，对于 CT/PET 到 MRI 对齐，该算法对强强度不均匀性和低配准误差具有鲁棒性。我们的实现在 https://github.com/brudfors/coregistration-njtv 上公开提供。