AEAU-Net:通过结合亲属转换和可变形医疗图像注册的无监督端到端注册网络
Wei Qiu1, Lianjin Xiong1, Ning Li1
1School of Computer Science and Technology, Laboratory for Brain Science and Medical Artificial Intelligence, Southwest University of Science and Technology, Mianyang, 621010, China.
Medical & biological engineering & computing
|July 27, 2023
概括
本研究介绍了AEAU-Net,这是一个用于3DMRI注册的新型无监督深度学习网络. 它通过同时捕捉全球和本地特征来有效地处理过度变形,以改进医疗图像分析.
科学领域:
- 医疗图像分析 医学图像分析
- 用于医学成像的深度学习
- 神经成像是一种神经成像.
背景情况:
- 可变形医疗图像的注册对于临床应用至关重要.
- 无监督卷积神经网络 (CNN) 方法因同时捕捉全球和本地特征的局限性而面临很大的变形.
- 现有的方法往往无法捕捉长距离的依赖性,在过度变形的情况下阻碍了性能.
研究的目的:
- 提出一个无监督的端到端注册网络,AEAU-Net,用于3DMRI医疗图像的注册.
- 为了解决处理过度图像变形的现有方法的局限性.
- 为了提高可变形医疗图像注册的准确性和稳定性.
主要方法:
- 开发了AEAU-Net,这是一个无监督的,端到端的注册网络,包括亲属和可变形的注册子网络.
- 引入了一个有效的注意力机制 (EAM) 模块来捕捉远距离依赖.
- 整合了一个递归剩余路径 (RSP) 模块,以有效地融合深层和浅层特征.
主要成果:
- 与LPBA40和Mindboggle101数据集的基线方法相比,AEAU-Net显示出更优异的注册性能.
- 拟议的有效注意力机制 (EAM) 模块有效地捕捉了长距离的依赖关系.
- 递归剩余路径 (RSP) 模块成功地融合了多层次的功能,以实现增强的表示.
结论:
- AEAU-Net为无监督的3DMRI可变形图像注册提供了强大而有效的解决方案.
- 集成EAM和RSP模块显著提高了网络处理大变形的能力.
- 拟议的架构通过广泛的实验和废弃研究得到验证,证实了其有效性和有效性.
