使用多类特征和监督学习的肺CT上可变形图像注册的不确定的预测
Zhiyong Zhou1,2, Pengfei Yin1,2, Yuhang Liu3
1Suzhou Institute of Biomedical Engineering and Technology, Chinese Academy of Science, Suzhou, 215163, China.
Medical & biological engineering & computing
|April 24, 2024
概括
我们开发了一种自动方法,使用多类特征和监督学习来预测可变形注册不确定性. 这种方法提高了医疗图像注册的安全性和可靠性,优于现有的方法.
科学领域:
- 医学成像医学成像
- 计算解剖学的计算解剖学
- 机器学习是机器学习.
背景情况:
- 评估可变形注册不确定性对于临床应用至关重要,但传统上是手工和耗时的.
- 现有的方法缺乏自动化和可靠的不确定性预测,影响注册结果的安全性和可靠性.
研究的目的:
- 提出并验证一种用于预测可变形注册不确定性的新型自动方法.
- 提高医疗图像注册中不确定性评估的效率和准确性.
主要方法:
- 一种监督学习方法,使用一个随机森林回归者训练在多类别的特征.
- 功能包括变形场统计,生理现实主义和图像相似性.
- 使用空间适应性随机扰动来增强特征的可区分性.
主要成果:
- 拟议的方法准确预测了当地注册的不确定性.
- 对胸部CT数据集的定量实验表明,与基线方法相比,性能优越.
- 该方法在基于代优化和基于深度学习的注册方面都表现出有效性.
结论:
- 开发的自动方法为可变形登记不确定性预测提供了可靠和高效的解决方案.
- 这种技术具有显著的潜力,可以提高医学图像注册的准确性和临床实用性.
