可变形的多模式图像注册用于光学测量和组织学图像之间的相关性
Lianne Feenstra1,2, Maud Lambregts2, Theo J M Ruers1,2
1Netherlands Cancer Institute, Image-Guided Surgery, Department of Surgical Oncology, Amsterdam, The Netherlands.
Journal of biomedical optics
|June 13, 2024
概括
一种自动化的深度学习方法准确地对准了乳房样本和组织学图像. 这种无监督的方法显著改善了图像注册,减少了错误,并加强了光学技术验证.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 光学测量和病理学之间的准确相关性需要精确的图像记录.
- 组织学图像变形和多模式变异对注册准确性构成重大挑战.
研究的目的:
- 研究一种基于深度学习的自动化图像注册方法,用于将乳房样本图像与组织学图像对齐.
- 为应对多模式图像对齐方面的挑战,包括强度变化和结构差异.
主要方法:
- 利用基于VoxelMorph模型的无监督和监督学习方法.
- 采用了手动记录图像的数据集作为培训和验证的基本真相.
主要成果:
- 无监督深度学习模型显著优于监督和手动注册方法.
- 实现了卓越的图像对齐,通过诸如子得分和相互信息等指标验证.
结论:
- 自动注册有效地提高了光学技术的验证.
- 尽量减少人工错误和手动注册过程中固有的不一致性.
