为无监督注册扩散磁共振图像进行几何深度学习
Jose J Bouza1, Chun-Hao Yang2, Baba C Vemuri3
1Intuitive Surgical, 1020 Kifer Road, Sunnyvale, CA, USA.
概括
这项研究引入了一种新的深度学习模型,用于快速准确地进行扩散MRI数据的非刚性注册. 该方法使得精确的光纤定向分布场对齐无需地面真相,显著减少计算时间.
科学领域:
- 医疗成像医学成像
- 神经成像是一种神经成像.
- 计算机视觉 计算机视觉
背景情况:
- 深度学习模型在医学图像注册方面表现出色,为MRI和CT等标量模式提供速度和准确性.
- 现有的深度学习方法在处理复杂的扩散MRI数据方面存在局限性.
- 扩散MRI的非刚性注册对于分析白质结构至关重要.
研究的目的:
- 介绍第一个端到端的几何深度学习模型,用于扩散MRI衍生纤维定向分布场 (fODF) 的非刚性注册.
- 为了实现完全无监督的训练,只使用输入 fODF 图像对.
- 开发用于扩散MRI的准确和计算高效的注册算法.
主要方法:
- 开发了一种新的端到端几何深度学习模型,用于fODF注册.
- 引入了可差分层,用于本地雅可比估计和重定位.
- 将这些层集成到一个多重值的卷积网络架构中.
- 实现完全无监督的训练,没有地面真相变形场.
主要成果:
- 实现了扩散MRI数据的准确可变形记录.
- 证明了模型处理光纤定向分布场 (fODF) 的能力.
- 与经典方法相比,记录时间从小时缩短到秒.
结论:
- 拟议的深度学习模型在扩散MRI注册方面取得了重大进展.
- 这种方法为复杂的dMRI数据提供了准确和快速的非刚性注册.
- 这种方法为更快,更精确地分析大脑白质结构铺平了道路.


