清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

A light-weight rectangular decomposition large kernel convolution network for deformable medical image registration

卷积(计算机科学) 核(代数) 计算机科学 图像配准 分解 人工智能 计算机视觉 图像(数学) 数学 离散数学 人工神经网络 生态学 生物
作者
Yuzhu Cao,Weiwei Cao,Ziyu Wang,Gang Yuan,Zeyi Li,Xinye Ni,Jian Zheng
出处
期刊:Biomedical Signal Processing and Control [Elsevier]
卷期号:95: 106476-106476 被引量:1
标识
DOI:10.1016/j.bspc.2024.106476
摘要

The performance and speed of medical image registration have been greatly boosted by advanced deep-learning based methods. However, most current methods are challenged by large deformations between input images, which necessitate a compromise in computational cost to enhance the model's receptive field and its ability to model long-range spatial relationships for improving registration performance. In order to enhance the performance of registration for images with large deformations at a lower computational cost, in this paper, we propose a light-weight registration model with the ability to model large receptive fields and long-range spatial relationships, named LL-Net. The core components of LL-Net consist of a Rectangular Decomposition Large Kernel Attention (RD-LKA) layer and a Spatial and Channel Fusion Attention (SC-Fusion) layer. The RD-LKA layer utilizes anisotropic depth-wise large kernel convolutions to capture large receptive fields with an extremely low parameter count while modeling long-range spatial relationships. Moreover, the SC-Fusion layer enhances the model's feature fusion capability and strengthens feature representations at critical locations. Our LL-Net exhibits state-of-the-art performance across multiple datasets. Specifically, it achieves a Dice score of 76.7% and an HD95 of 2.983 mm on the IXI dataset, and a Dice score of 87.8% and an HD95 of 1.042 mm on the OASIS dataset. Experimental results substantiate the efficacy of LL-Net in capturing large receptive fields and modeling long-range spatial relationships. The code for LL-Net is available at https://github.com/BoyOfChu/LL_Net.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
来一斤这种鱼完成签到 ,获得积分10
21秒前
幽默大象完成签到 ,获得积分10
27秒前
28秒前
32秒前
海阔天空完成签到,获得积分10
33秒前
bestbanana发布了新的文献求助10
35秒前
研友_LmgOaZ完成签到 ,获得积分0
37秒前
Raul完成签到 ,获得积分10
39秒前
zhugao完成签到,获得积分10
39秒前
Glory完成签到 ,获得积分10
43秒前
甜乎贝贝完成签到 ,获得积分10
44秒前
魔幻的妖丽完成签到 ,获得积分10
46秒前
土拨鼠完成签到 ,获得积分10
58秒前
小白兔完成签到 ,获得积分10
1分钟前
vitamin完成签到 ,获得积分10
1分钟前
雪花完成签到 ,获得积分10
1分钟前
hua完成签到 ,获得积分10
1分钟前
ljssll完成签到 ,获得积分10
1分钟前
虚幻元风完成签到 ,获得积分10
1分钟前
bestbanana完成签到,获得积分10
1分钟前
天问完成签到 ,获得积分10
1分钟前
1分钟前
搜集达人应助科研通管家采纳,获得10
1分钟前
TTDY完成签到 ,获得积分10
1分钟前
邓邓邓发布了新的文献求助10
1分钟前
LELE完成签到 ,获得积分10
1分钟前
诺亚方舟哇哈哈完成签到 ,获得积分0
2分钟前
黯然完成签到 ,获得积分10
2分钟前
林谷雨完成签到 ,获得积分10
2分钟前
若眠完成签到 ,获得积分10
2分钟前
jenny_shjn完成签到 ,获得积分20
3分钟前
3分钟前
cadcae完成签到,获得积分10
3分钟前
kittykitten完成签到 ,获得积分10
3分钟前
zhangsan完成签到,获得积分10
3分钟前
kuyi完成签到 ,获得积分10
3分钟前
邓邓邓完成签到,获得积分10
3分钟前
Linson完成签到,获得积分10
3分钟前
海豚完成签到 ,获得积分10
4分钟前
21GolDiamond完成签到,获得积分10
4分钟前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
XAFS for Everyone (2nd Edition) 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3134020
求助须知:如何正确求助?哪些是违规求助? 2784845
关于积分的说明 7768808
捐赠科研通 2440236
什么是DOI,文献DOI怎么找? 1297340
科研通“疑难数据库(出版商)”最低求助积分说明 624925
版权声明 600792