UDRSNet:基于图像结构相似性的无监督可变形注册模块.
Yun Wang1, Chongfei Huang2, Wanru Chang1
1School of Mathematical Sciences, Zhejiang University, Hangzhou, China.
Medical physics
|February 14, 2024
概括
这项研究引入了一种无监督的深度学习方法,用于医疗图像注册,实现高精度而不需要基准真实标签. 该方法提高了可靠的可变形图像注册 (DIR) 的结构一致性.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 深度学习已经推进了医疗图像注册,但监督方法需要准确的地面真相标签.
- 监督注册的质量受到排位现场标签的可用性和准确性的限制.
研究的目的:
- 开发一种简单,可靠和完全不受监督的医疗图像注册方法.
- 为了利用图像结构相似性,在没有临床数据标签的情况下实现准确的对齐.
主要方法:
- 使用ResUnet和空间变压器层进行深层级别无监督可变形注册方法.
- 在培训期间使用L1-规范规范化变形场和结构相似性 (SSIM) 损失.
- 通过SSIM估计,通过变形和参考图像之间增强结构一致性.
主要成果:
- 在CT图像上实现了高性能指标:子得分 (0.9873),SSIM (0.9559),NCC (0.9950) 和SSD错误 (0.0313).
- 在超声数据集上表现优于比较方法.
- 统计学意义证实了该方法的改进.
结论:
- 拟议的无监督模型证明了可变形图像注册 (DIR) 的简单性和有效性.
- 该模型具有强大的概括能力,在肝脏CT和心脏超声波图像上得到验证.
更多相关视频
07:13Author Spotlight: An Efficient and Robust Software for Automated Fusion of Multiple Preclinical Imaging Modalities
Published on: October 27, 2023
1.1K
02:09Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function
Published on: April 12, 2024
590
