变形运动补偿用于在程序内进行的血管圆束CT,具有序列投射域准和血管增强自动对焦

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 计算机视觉 计算机视觉

背景情况:

• 圆束CT (CBCT) 在干预放射学中对于可视化复杂的血管解剖是至关重要的.
• 在CBCT中长时间的获取时间会导致运动工件,降低细血管的可见性.
• 现有的方法在CBCT获取过程中与软组织可变形运动作斗争.

研究的目的:

• 开发一个有针对性的框架来补偿CBCT中可变形的扫描内运动.
• 通过学习的全序列模型来提高血管解剖的识别.
• 集成一个专门为血管成像设计的自动对焦功能.

主要方法:

• 一个两阶段的容器准自动对焦方法:投影域识别和4D矢量场优化.
• 深度学习模型 (变压器编码解码器) 用于使用时空自我注意的目标识别.
• 基于赫森特有价值的自动对焦优化和通过空间变压器操作器的运动补偿.

主要成果:

• 在模拟和临床CBCT中,血管可见度的定性和定量改善.
• 通过变压器模型 (1.97x IoU改进) 提高了血管性检测的性能,减少了假阳性.
• 运动补偿带来了更好的显眼性,减少了文物和形状扭曲恢复 (147%的交叉相关性改善).

结论:

• 定向自动对焦可提高腹部CBCT中的血管解剖可见性,用于程序内跟踪.
• 该框架为任务特定成像中的运动补偿提供了有效的解决方案.
• 在更广泛的成像场景中,未来应用的潜力.