一种两步深度学习方法,用于3DCT-2DUS在呼吸过程中进行脏注册
Yanling Chi1, Yuyu Xu2, Huiying Liu3
1Institute for Infocomm Research (I2R), Agency for Science, Technology and Research (A*STAR), 1 Fusionopolis Way #21-01 Connexis South, Singapore, 138632, Republic of Singapore. chiyl@i2r.a-star.edu.sg.
Scientific reports
|August 8, 2023
概括
脏RegNet是一个新的深度学习管道,用于在自由呼吸期间注册3DCT和2D超声波脏图像. 这种方法可以实现精确的脏注册,这对于医学成像应用至关重要.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算解剖学的计算解剖学
背景情况:
- 由于呼吸运动,在3DCT和2D超声波之间准确地注册脏是具有挑战性的.
- 现有的方法可能会在不同的成像方式和分辨率之间的语义差距上扎.
研究的目的:
- 开发和验证KidneyRegNet,3DCT和2D超声波脏扫描的新型深度注册管道.
- 通过使用先进的网络架构和训练策略,解决3D CT-2D US在自由呼吸过程中注册的困难.
主要方法:
- 提出 KidneyRegNet,一个管道,包括一个手工制作的纹理特征网络和一个3D-2D CNN注册网络.
- 在编码器-解码器结构中使用特征图像-运动 (FIM) 损失来进行等级回归.
- 使用无监督的一次循环转移学习,在预训练后适应患者特定数据.
主要成果:
- 实现了CT-US脏注册的平均轮距离 (MCD) 为0.94mm,CT-CT注册的平均轮距离为1.15mm.
- 在不同的转换大小中表现出强大的性能,CT-US的MCD为0.82-1.10毫米,CT-CT为1.02-1.28毫米.
- 在各种数据集上得到验证,包括132个US序列,39个多相CT,210个单相CT和25个CT-US对.
结论:
- 脏RegNet有效地解决了在自由呼吸条件下3D CT-2D US脏注册的复杂性.
- 新的网络结构和转移学习策略提高了注册准确性和在临床环境中的适用性.
- 这条管道为改善医学成像中的非刚性注册提供了一个有希望的解决方案.
