Video Experimental Relacionado
Updated: Jan 18, 2026
07:13
Author Spotlight: An Efficient and Robust Software for Automated Fusion of Multiple Preclinical Imaging Modalities
Published on: October 27, 2023
1.7K
UTMorph: Una red híbrida CNN-transformer para el registro de imágenes multimodales débilmente supervisado en punción
Xudong Guo1, Peiyu Chen1, Haifeng Wang2
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China.
Medical image analysis
|January 15, 2026
Resumen
UTMorph, un marco novedoso que utiliza redes CNN y Transformer, registra con precisión imágenes preoperatorias de RM y ecografía intraoperatoria. Esto mejora los procedimientos guiados por robot al manejar con precisión la deformación de tejidos blandos.
Área de la Ciencia:
- Análisis de imágenes médicas
- Inteligencia artificial en medicina
- Robótica quirúrgica
Sus antecedentes:
- El registro preciso de imágenes preoperatorias de resonancia magnética (RM) y ecografía (US) intraoperatoria es crucial para la biopsia y ablación robótica precisa.
- Los métodos existentes tienen dificultades con la velocidad, la precisión y la deformación de tejidos blandos durante los procedimientos.
Objetivo del estudio:
- Desarrollar un marco de registro de imágenes multimodales deformables eficiente y preciso para la fusión RM-US.
- Abordar los desafíos de la deformación de tejidos blandos y la complejidad computacional en el registro de imágenes médicas.
Principales métodos:
- Se propuso UTMorph, un marco híbrido que combina U-Net, redes neuronales convolucionales (CNN) y redes Transformer.
- Se introdujo un novedoso mecanismo de atención que se enfoca en características de imágenes estructuradas para una estimación precisa de la deformación.
- Se desarrolló una función de pérdida de borde híbrida para mejorar la información de forma y contorno para una mayor precisión del registro.
Principales resultados:
- UTMorph demostró un rendimiento superior en múltiples métricas en comparación con seis métodos de registro comunes.
- Se logró un coeficiente de similitud de Dice de 0.890, una distancia de Hausdorff del percentil 95 de 2.679 mm y una distancia de superficie media de 0.284 mm.
- Se aseguró un registro preciso con un uso mínimo de memoria, incluso con diferencias modales significativas, validado en 704 conjuntos de datos de pacientes.
Conclusiones:
- El modelo UTMorph con su función de pérdida de borde híbrida es eficaz para el registro de imágenes médicas deformables RM-US.
- Este marco mejora la precisión en las intervenciones asistidas por robot al mejorar la precisión y la velocidad del registro de imágenes.
- El modelo desarrollado ofrece una solución robusta para los desafíos del registro de imágenes médicas multimodales.
