相关实验视频
Updated: Jul 9, 2025
05:05
Four-Dimensional CT Analysis Using Sequential 3D-3D Registration
Published on: November 23, 2019
8.0K
4D-CT可变形图像记录使用无监督的递归级联全分辨率残余网络
Lei Xu1,2, Ping Jiang3, Tiffany Tsui4
1Department of Radiation Oncology the First Affiliated Hospital of Xi'an Jiaotong University Xi'an Shaanxi China.
Bioengineering & translational medicine
|November 29, 2023
概括
一种新的无监督深度学习方法,即递归级联全分辨率残余网络 (RCFRR-Net),显著提高了4D-CT图像注册的准确性. 这种新的方法增强了临床应用的医疗图像注册.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 准确的医学图像注册对于诊断和治疗疾病至关重要.
- 四维计算机断层扫描 (4D-CT) 生成动态体积数据,这给注册带来了挑战.
- 现有的注册方法往往需要大量的培训数据或缺乏稳定性.
研究的目的:
- 为腹部4D-CT图像注册引入一个新的无监督深度学习网络.
- 评估与现有技术相比,拟议方法的性能和概括能力.
主要方法:
- 开发了一个递归级联全分辨率残余网络 (RCFRR-Net),用于端到端的无监督学习.
- 该网络由三个级联子网络组成,这些子网络使用图像相似性和变形调整损失进行联合训练.
- 对内部4D-CT,公共DIRLAB 4D-CT和4D圆束CT (4D-CBCT) 数据集进行了测试.
主要成果:
- 与恶魔方法VoxelMorph和递归级联网络相比,RCFRR-Net表现出一致且显著的性能增长.
- 拟议的方法在各种医学成像数据集中实现了卓越的准确性和概括能力.
- 无监督的培训消除了在学习过程中对基本真理变形场的需求.
结论:
- RCFRR-Net为4D-CT图像注册提供了一个强大而准确的解决方案.
- 无监督,端到端的深度学习方法显示出临床应用的巨大潜力.
- 这种方法通过提高性能和概括性来推进医疗图像注册领域.
