递归可变形金字塔网络用于无监督医疗图像注册.

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 可变形图像注册对于医疗应用至关重要,但对于大体积变形来说具有挑战性.
• 现有的模型经常在处理复杂的解剖变化时,难以准确和高效.
• 需要强大的无监督方法,不需要亲属预调整,是显著的.

研究的目的:

• 提出一个新的递归可变形金字塔 (RDP) 网络,用于无监督的非刚性医疗图像注册.
• 为了实现准确和高效的记录,特别是对于大体积变形.
• 开发一种不需要单独的亲系预对齐的方法.

主要方法:

• 使用纯的卷积金字塔网络架构.
• 具有高级语义的逐步递归策略可以预测变形场从粗到细.
• 该网络本质上处理注册而不需要明确的亲属预调整.

主要成果:

• 在三个公共大脑MRI数据集 (LPBA,Mindboggle,IXI) 上,RDP网络的表现始终优于最先进的方法.
• 在多个指标上观察到优异的表现,包括子得分,平均对称表面距离,豪斯多夫距离和雅可比.
• 即使在没有亲属预调整的数据中也保持了令人满意的表现,在弥补大变形方面表现出了稳健性.

结论:

• 递归可变形金字塔网络提供了一个有前途的解决方案,用于准确和高效的无监督的非刚性医疗图像记录.
• 拟议的方法有效地处理大变形,并消除了需要亲缘预对齐的需要.
• RDP网络代表了医疗图像记录技术的重大进步.