医療画像レジストレーションのための構造認識型デコンボリューションと階層型マルチスケールTransformer

科学分野:

• 医療画像解析
• コンピュータビジョン
• 生物医学工学

背景:

• マルチモーダル医療画像レジストレーションは、診断と治療計画に不可欠です。
• 課題には、複雑な空間変形とクロスモーダル特徴マッチングの困難さが含まれます。
• 既存の手法は、多様なモダリティにわたる精度と堅牢性で苦労しています。

研究 の 目的:

• 教師なしかつディスクリミネーターフリーのマルチモーダルレジストレーション手法であるSA-HMTを提案すること。
• レジストレーション精度を向上させるためのクロスモーダル特徴マッチングを強化すること。
• 複雑な空間変形を処理する上での現在の手法の限界に対処すること。

主な方法:

• マルチスケール変形特徴を捉えるための階層的アーキテクチャを備えたマルチスケールスキップTransformerモジュールを開発しました。
• 特徴マッチングを強化するための2段階ジョイントメカニズムを備えた構造認識型変形畳み込みモジュールを利用しました。
• 教師なし学習のために二重損失関数を採用しました。

主要な成果:

• SA-HMTは、5つの公開データセット（CT-MR、肺CT、脳CT-MR、心臓MRI）および臨床腹部データで有効性が実証されました。
• 高度なR2Net法と比較して、Dice Similarity Coefficient（DSC）などのコア指標でパフォーマンスが向上しました。
• レジストレーション精度は、一般的に既存の最先端アプローチと同等またはそれ以上でした。

結論:

• SA-HMTは、教師なしマルチモーダル医療画像レジストレーションのための堅牢で正確なソリューションを提供します。
• 提案されたモジュールは、クロスモーダル特徴マッチングの課題を効果的に解決します。
• この手法は、臨床現場での医療画像解析の進歩に大きな可能性を秘めています。