无监督的肺CT图像记录通过变形场的随机分解

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:

• 肺部CT图像注册对于诊断和治疗肺部疾病至关重要.
• 呼吸过程中的大变形对当前的深度学习模型构成重大挑战.
• 准确的登记对于定量分析和治疗规划至关重要.

研究的目的:

• 提出一种新的培训方案,即随机分解,用于肺部CT图像记录的深度网络.
• 为了使复杂的肺变形场的有效学习.
• 为了提高肺部CT图像记录的性能和稳定性.

主要方法:

• 开发了一种随机分解技术来分解复杂的变形场.
• 为了监督,使用了带有外观差异的合成数据.
• 将该方法应用于肺CT图像记录任务.

主要成果:

• 随机分解方案有效地训练深层网络,以挑战肺部变形.
• 与肺部CT数据上的现有技术相比,提出的方法显示出更高的性能.
• 广泛的数值和视觉结果验证了框架的有效性.

结论:

• 随机分解为减少图像注册中的错位提供了强大的先验.
• 这种新的培训方案显著提高了肺部CT图像记录的性能.
• 这种方法有望在肺部疾病管理中推进诊断和治疗应用.