MICDIR:使用UNetMSS进行多尺度反向一致的可变形图像注册,具有自建图形隐藏图形
Soumick Chatterjee1, Himanshi Bajaj2, Istiyak H Siddiquee2
1Faculty of Computer Science, Otto von Guericke University Magdeburg, Germany; Data and Knowledge Engineering Group, Otto von Guericke University Magdeburg, Germany; Biomedical Magnetic Resonance, Otto von Guericke University Magdeburg, Germany; Genomics Research Centre, Human Technopole, Milan, Italy.
概括
这项研究引入了医疗图像注册的增强深度学习模型,提高了跟踪大小变形的准确性. 这种新方法在脑MRI数据集上的VoxelMorph等现有技术的表现显著超过了现有技术.
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:
- 图像注册将各种图像对齐成一个统一的坐标系统,这对于医学成像分析至关重要.
- 像VoxelMorph这样的当前深度学习方法在细微的变形方面表现出色,但由于缺乏全球依赖编码,与大型解剖变化作斗争.
研究的目的:
- 为医疗图像注册开发先进的深度学习模型,能够准确地处理小和大变形.
- 通过整合全球解剖学背景来提高图像注册模型的稳定性和通用性.
主要方法:
- 该研究扩展了Voxelmorph的方法,通过整合一个多层次的UNet来进行解决方案特定的监督.
- 自建图形网络 (SCGNet) 被用作潜伏组件来捕捉复杂的结构相关性.
- 使用循环一致性损失来确保反向一致的变形.
主要成果:
- 拟议的方法在脑MRI注册任务中比ANT和VoxelMorph显著改善.
- 获得了0.8013 ± 0.0243 (内部) 和0.6211 ± 0.0309 (间) 的子得分,超过了VoxelMorph的得分.
结论:
- 这种新方法有效地解决了现有方法在处理大变形时的局限性.
- 多级监督,图形网络和循环一致性的整合提高了医疗成像应用的注册准确性和稳定性.
