ORRN:一种基于ODE的递归注册网络,用于用肺部4DCT图像对可变形呼吸道运动进行估计

科学领域:

• 医疗成像医学成像
• 计算解剖学的计算解剖学
• 机器学习 机器学习

背景情况:

• 可变形图像注册 (DIR) 对于量化医疗数据变形至关重要.
• 深度学习方法提高了图像对的DIR准确性和速度.
• 现有的方法与4D数据的复杂器官运动 (例如呼吸,心跳) 斗争.

研究的目的:

• 介绍ORRN,一个基于普通微分方程 (ODE) 的递归网络,用于4D医学图像注册.
• 在4D数据集中有效地建模时间变化的器官运动.
• 为了提高动态医疗数据的注册准确性和效率.

主要方法:

• ORRN 估计了随时间变化的 voxel 速度以使用 ODE 建模 4D 变形.
• 一个递归的注册策略集成了voxel速度逐步估计变形场.
• 该方法在两个公开的4DCT肺部数据集 (DIRLab,CREATIS) 上进行了评估.

主要成果:

• ORRN在3D+t变形跟踪和呼气到吸气记录方面取得了卓越的性能.
• 该方法产生了最小的目标注册错误 (1.24毫米和1.26毫米).
• 结果显示高变形可信度 (<0.001%折叠) 和计算效率 (<1s/体积).

结论:

• 在4D图像注册中,ORRN展示了显著的准确性,可信性和效率.
• 这种方法对于组 wise 和对 wise 的注册任务都是有效的.
• 在放射治疗和机器人手术规划中,ORRN对呼吸运动估计有影响.