L2NLF:一种新的线性到非线性框架,用于多模态医疗图像注册
Liwei Deng1, Yanchao Zou1, Xin Yang2
1Heilongjiang Provincial Key Laboratory of Complex Intelligent System and Integration, School of Automation, Harbin University of Science and Technology, Harbin, 150080 China.
Biomedical engineering letters
|April 22, 2024
概括
这项研究引入了一种新的线性到非线性框架 (L2NLF),用于多式联络医疗图像记录. 该方法有效地将复杂的多模式挑战转化为更简单的单模式挑战,通过像CrossMorph这样的深度学习模型实现高精度.
科学领域:
- 医学成像医学成像
- 深度学习是一种深度学习.
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 多模式医疗图像注册是复杂的.
- 深度学习提高了非刚性注册的准确性.
- 现有的方法在多式联运场景中面临挑战.
研究的目的:
- 为多式医疗图像注册提出一个新的线性到非线性框架 (L2NLF).
- 引入一个新的深度神经网络,CrossMorph,用于无监督的可变形注册.
- 评估拟议框架的有效性和真实性保护.
主要方法:
- 一个两阶段的框架:线性图像转换,其次是基于深度学习的非线性注册.
- 设计CrossMorph网络,使用类似于U网的结构,使用CrossFormer块和Booster.
- 无监督学习方法用于可变形的注册.
主要成果:
- L2NLF实现了极好的注册与最小的计算,并保持图像的真实性.
- 在减少平均表面距离和提高子得分方面,CrossMorph的性能优于最先进的方法.
- 由CrossMorph生成的变形场表现出增强的光滑性.
结论:
- 拟议的L2NLF框架和CrossMorph网络为多式联络医疗图像注册提供了一个强大的解决方案.
- 该方法在准确性和效率方面取得了显著的改进.
- 这种方法有可能在医学成像中有价值的临床应用.
