基于多尺度集成空间重量模块和双相似性指导的肝脏CT-MR图像的无监督注册
Zhiyong Zhou1, Shuaikun Wang1, Jisu Hu1
1Suzhou Institute of Biomedical Engineering and Technology, Chinese Academy of Science, Suzhou 215163, China; School of Biomedical Engineering (Suzhou), Division of Life Sciences and Medicine, University of Science and Technology of China, Suzhou 215163, China.
概括
本研究介绍了一种无监督的多模式图像注册方法,使用多尺度空间重量模块和双相似性指导. 这种新的方法准确地记录了医疗图像中的大变形,超过了现有的算法.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 多模式图像注册至关重要,但由于强度和纹理变化,具有挑战性.
- 现有的深度学习方法因受体场有限而难以处理较大的变形.
研究的目的:
- 开发一种无监督的多模式图像记录方法,能够处理较大的变形.
- 为解决医疗图像注册当前深度学习方法的局限性.
主要方法:
- 一个 U 形网络,在多分辨率架构内具有多尺度集成空间重量模块,用于端到端的大变形记录.
- 一个双重相似性损失函数,将全球灰度和本地特征相似性结合起来,用于网络优化.
主要成果:
- 该方法在肝脏CT-MR图像上实现了最佳的子相似系数 (DSC) 92.70 ± 1.75%和TRE 6.52 ± 2.94 mm.
- 与最先进的注册算法相比,表现出更高的性能.
结论:
- 拟议的方法通过聚合多尺度特征,准确地估计了大型变形场.
- 实现了更高的注册准确性,更快的注册速度,并证明了有效性和概括能力.
