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
细腻慕儿完成签到 ,获得积分10
20秒前
陈M雯完成签到 ,获得积分10
23秒前
TAO LEE完成签到 ,获得积分10
26秒前
Otter完成签到,获得积分10
32秒前
获得幸运加倍技能完成签到 ,获得积分10
34秒前
wx1完成签到 ,获得积分0
42秒前
周瓦特发布了新的文献求助10
51秒前
火星上惜天完成签到 ,获得积分10
55秒前
马登完成签到,获得积分10
57秒前
starry完成签到 ,获得积分10
1分钟前
研友_VZG7GZ应助科研通管家采纳,获得10
1分钟前
theo完成签到 ,获得积分10
1分钟前
宗嘻嘻完成签到 ,获得积分10
1分钟前
黄花完成签到 ,获得积分10
1分钟前
zhang完成签到 ,获得积分10
1分钟前
周瓦特完成签到,获得积分10
1分钟前
2分钟前
yy完成签到 ,获得积分10
2分钟前
victory_liu完成签到,获得积分10
2分钟前
灵巧擎汉发布了新的文献求助10
2分钟前
外向的凝阳完成签到 ,获得积分10
2分钟前
ECHO完成签到,获得积分10
2分钟前
一叶扁舟完成签到 ,获得积分10
2分钟前
wangfeng完成签到 ,获得积分10
2分钟前
飞翔的企鹅完成签到,获得积分10
2分钟前
小么完成签到 ,获得积分10
2分钟前
3分钟前
3分钟前
study00122完成签到,获得积分10
3分钟前
公西傲蕾发布了新的文献求助10
3分钟前
3分钟前
Jasper应助科研通管家采纳,获得10
3分钟前
3分钟前
陈林发布了新的文献求助10
3分钟前
陈林完成签到,获得积分10
4分钟前
唯一完成签到 ,获得积分10
4分钟前
LiangRen完成签到 ,获得积分10
4分钟前
胜胜糖完成签到 ,获得积分10
4分钟前
丰富的绮山完成签到,获得积分10
5分钟前
如意竺完成签到,获得积分10
5分钟前
高分求助中
Sustainability in Tides Chemistry 2000
Microlepidoptera Palaearctica, Volumes 1 and 3 - 13 (12-Volume Set) [German] 1122
Дружба 友好报 (1957-1958) 1000
The Data Economy: Tools and Applications 1000
Mantiden - Faszinierende Lauerjäger – Buch gebraucht kaufen 700
PraxisRatgeber Mantiden., faszinierende Lauerjäger. – Buch gebraucht kaufe 700
A Dissection Guide & Atlas to the Rabbit 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 3099800
求助须知:如何正确求助?哪些是违规求助? 2751277
关于积分的说明 7612198
捐赠科研通 2403062
什么是DOI,文献DOI怎么找? 1275146
科研通“疑难数据库(出版商)”最低求助积分说明 616276
版权声明 599053