可变形医疗图像注册与全球-本地转换网络和区域相似性约束
Xinke Ma1, Hengfei Cui1, Shuoyan Li1
1National Engineering Laboratory for Integrated Aero-Space-Ground-Ocean Big Data Application Technology, School of Computer Science and Engineering, Northwestern Polytechnical University, Xi'an 710072, China.
概括
本研究引入了一种新的医疗图像注册深度学习方法,通过专注于感兴趣区域 (ROI) 来提高准确性. 全球-本地转换网络增强了对准更好的医疗图像分析.
科学领域:
- 医学成像医学成像
- 计算解剖学的计算解剖学
- 医学中的人工智能
背景情况:
- 可变形医疗图像注册对图像进行统一分析.
- 目前的深度学习 (DL) 方法使用全球相似度指标,忽略了感兴趣的区域 (ROI).
- 现有的DL方法往往忽视了对于精确的ROI调整至关重要的局部空间转换.
研究的目的:
- 开发一个新的全球-本地转换网络,用于可变形医疗图像的注册.
- 纳入一个区域相似性约束,以加强ROI的调整.
- 为了提高准确性,同时估计全球和本地空间转换.
主要方法:
- 提出了一个新的全球-本地转型网络架构.
- 实现了一个区域相似性约束,以最大限度地提高ROI相似性.
- 在四个公共3DMRI数据集上评估了该方法.
主要成果:
- 与最先进的技术相比,拟议的方法实现了优越的注册性能.
- 在可变形图像注册中展示了增强的准确性和概括能力.
- 在多个3DMRI数据集中验证了有效性.
结论:
- 全球-本地转型网络与区域相似性约束显著改善了医疗图像的注册.
- 这种方法通过优先考虑它们的调整来加强对特定ROI的分析.
- 该方法为医疗图像注册任务提供了更准确和更具普遍性的解决方案.
更多相关视频
07:13Author Spotlight: An Efficient and Robust Software for Automated Fusion of Multiple Preclinical Imaging Modalities
Published on: October 27, 2023
1.2K
02:09Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function
Published on: April 12, 2024
637