基于深度学习的3D大脑多式联络医疗图像注册
Liwei Deng1,2, Qi Lan1, Qiang Zhi1
1Heilongjiang Provincial Key Laboratory of Complex Intelligent System and Integration, School of Automation, Harbin University of Science and Technology, Harbin, 150080, Heilongjiang, China.
Medical & biological engineering & computing
|November 8, 2023
概括
我们开发了RCV-Net,一个增强的Voxelmorph网络,用于更快,更准确的3D多式联络无监督医疗图像注册. 这种新的方法提高了特征提取和学习能力,优于现有的方法.
科学领域:
- 医学图像分析 医学图像分析
- 医疗保健中的人工智能
- 对于医学成像的深度学习
背景情况:
- 传统的医学图像记录方法缺乏临床应用所需的速度和准确性.
- 像VoxelMorph这样的现有深度学习模型是有希望的,但可以改进多式联网注册任务.
研究的目的:
- 提出一个改进的VoxelMorph网络,称为RCV-Net,用于3D多式联络无监督医疗图像注册.
- 增强医疗图像注册网络的特征提取和学习能力.
主要方法:
- 通过将ResNet模块和卷积块注意模块 (CBAM) 集成到VoxelMorph架构中开发了RCV-Net.
- 雇佣CBAM以改善功能地图信息提取和防止在培训期间丢失数据.
- 引入了一种轻量级的残余网络模块,以提高学习能力,而无需显著的参数增加.
主要成果:
- 与最先进的方法相比,RCV-Net在3D多式联络无监督注册任务中表现出卓越的性能.
- 使用结构相似性指数 (SSIM),峰值信号噪声比 (PSNR) 和平均平方误差 (MSE) 等指标进行评估,证实了该模型的有效性.
- 在外部数据集上的通用化测试验证了该模型强大的注册能力.
结论:
- 拟议的RCV-Net显著提高了医疗图像记录的准确性和效率.
- 对于需要高性能多式联接图像注册的临床应用,RCV-Net提供了一个有前途的解决方案.
- 集成CBAM和ResNet模块是推进基于深度学习的医疗图像注册的有效策略.
