相关实验视频

Updated: Jul 12, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

无监督医疗影像注册的分层累积网络

Xinke Ma¹, Jiang He², Xing Liu¹

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.

Computers in biology and medicine

|November 1, 2023

概括

一个新的分层累积网络 (HCN) 通过考虑最佳相似位置来改善医疗图像注册的无监督深度学习. 这种方法可以提高移动和固定图像的对齐精度.

科学领域:

医疗图像分析医学图像分析
医学成像中的深度学习.
计算解剖学的计算解剖学

背景情况:

可变形医疗图像的注册对于分析解剖变化至关重要.
现有的无监督深度学习方法往往无法找到最佳的相似性位置.
这种限制可能会导致注册准确度低于最佳.

研究的目的:

为无监督可变形医疗图像注册引入一种新的层次累积网络 (HCN).
解决当前方法中忽视最佳相似性位置的局限性.
为了提高医疗图像对齐的准确性和稳定性.

主要方法:

开发了一种新的等级累积网络 (HCN),包含一个双向非对称注册模块 (BARM).
BARM学习不对称的移位向量场 (DVFs),以最佳地扭曲移动和固定图像.
将BARM集成到拉普拉斯金字塔网络中,用于层次,递归曲线和DVF积累.

主要成果:

拟议的HCN在3D脑MRI数据集上显著超过了传统和最先进的注册方法.
在MICCAI Learn2Reg 2021挑战验证集中,HCN表现强.
交叉数据集评估证实了HCN方法的优秀概括能力.

结论:

HCN是一种有效的无监督深度学习方法,用于可变形的医疗图像注册.
双向不对称注册模块 (BARM) 成功解决了最佳相似位置的挑战.
HCN实现了高精度和优秀的概括性,使其适合于各种临床应用.

关键词:

双向不对称的注册是双向的深层拉普拉斯金字塔网络的深度.可变形的医疗图像注册登记大大的变形.

更多相关视频

Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function

Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function

Published on: April 12, 2024

Author Spotlight: An Efficient and Robust Software for Automated Fusion of Multiple Preclinical Imaging Modalities

Author Spotlight: An Efficient and Robust Software for Automated Fusion of Multiple Preclinical Imaging Modalities

Published on: October 27, 2023

相关概念视频