多任务弱监督生成网络用于MR-US注册

科学领域:

• 医学成像医学成像
• 计算机辅助手术是计算机辅助的手术.
• 机器学习 机器学习

背景情况:

• 准确的注册手术前成像 (MRI,CT) 到手术内超声波对于手术和活检指导至关重要.
• 目前用于图像注册的深度学习方法需要广泛,昂贵的超声波域监督.
• 这种限制阻碍了先进的注册技术的开发和可访问性.

研究的目的:

• 开发一种新的多任务生成框架,用于可变形图像的注册.
• 为了使注册模型的培训使用仅仅从术前成像领域的弱监督.
• 为了将磁共振 (MR) 图像转化为超声域,同时保留解剖结构.

主要方法:

• 一个多任务生成框架被设计用于可变形的注册.
• 该框架将3DMRI图像转换为前列腺活检的跨直肠超声波 (TRUS) 图像.
• 公司内部600名患者的数据集被用于培训,验证和测试.

主要成果:

• 在专家选择的地标上实现了3.58mm的目标注册错误.
• 在前列腺面膜细分方面获得了89.2%的子得分.
• 在前列腺口罩上报告了1.81毫米的第95百分比豪斯多夫距离.
• 通过超声波特定的双路径设计,通过超声波成功将MR转化为超声波图像,并保留了结构细节.

结论:

• 提出的生成框架有效地将MR图像转换为超声域.
• 该方法只需要从手术前领域的弱监督,减少对昂贵的超声波数据的依赖.
• 这种方法促进了基于深度学习的注册方法的培训,以改善外科指导.