在本地和全球的融合特征映射中以affine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:

• 传统的亲属注册方法耗时,限制了实时的医疗应用.
• 卷积神经网络在与长距离的空间关系作斗争,这对于同类注册至关重要.

研究的目的:

• 开发一个实时,高精度的同源医学图像注册算法.
• 解决速度和空间关系建模现有方法的局限性.

主要方法:

• 一个基于深度学习的粗细架构,使用多尺度卷积内核进行特征提取.
• 一个新的框架,重量全球定位注意力,融合全球和地方特征.
• 无监督的,端到端的培训,用于生成亲属参数.

主要成果:

• 添加式聚变方法提高了没有质量中心初始化的注册准确性.
• 马克斯聚合和多尺度卷积内核增强了该模型的亲缘注册能力.
• 该方法在OASIS数据集上实现了最先进的准确性和高效的运行时间.

结论:

• 拟议的深度学习架构为快速准确的医疗图像同源注册提供了显著的进步.
• 这种方法适用于需要精确图像对齐的实时医疗应用.