基于深度学习的二维牙图像的注册,具有特定边缘损失
Maria-Pavlina Kalla1, Theodoros P Vagenas1, Theodore L Economopoulos1
1National Technical University of Athens, School of Electrical and Computer Engineering, Athens, Greece.
Journal of medical imaging (Bellingham, Wash.)
|June 5, 2023
概括
这项研究引入了一个边缘增强的深度学习 (DL) 框架,用于无监督的2D牙科X射线图像的可变形注册. 该方法通过专注于边缘相似性来准确对齐图像,提高了在没有解剖学监督的情况下的诊断准确性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 图像注册在牙科中至关重要,用于从不同角度对齐图像,以增强诊断能力.
- 无监督学习方法对于图像注册是可取的,以避免需要对解剖结构进行手动注释.
研究的目的:
- 为2D牙科X射线图像提供基于无监督深度学习 (DL) 的可变形注册框架.
- 提高牙图像对齐的准确性和效率,以便更好地进行诊断.
主要方法:
- 开发了一种结合U-Net和空间变压器网络的新型神经网络架构.
- 该网络使用加权损失函数进行端到端的训练,该函数包含图像相似性,边缘相似性和注册约束.
- 引入了一种特定于边缘的损失组件,以指导无监督的训练,没有解剖学监督.
主要成果:
- 该框架在两个数据集上得到验证:下X射线 (2600对) 和全景图像 (17对).
- 与传统和现有的DL注册方法相比,拟议的DL模型表现出优越的性能.
- 定量和定性评估显示强度和边缘相似度指标有所改善.
结论:
- 开发的框架实现了2D牙科X射线图像的准确和快速可变形对齐.
- 基于边缘的损失函数通过优先考虑关键的解剖边缘 (牙,骨,组织) 来有效地增强无监督学习.
- 这种方法具有显著的潜力,可以提高牙科应用中的诊断准确性.
