通过神经场进行医学图像记录

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算解剖学的计算解剖学

背景情况:

• 图像注册对于医学图像分析至关重要,但传统的优化方法是缓慢的,基于学习的方法与域名转移作斗争.
• 现有的方法在平衡可变形图像注册中的速度,准确性和稳定性方面面临挑战.

研究的目的:

• 引入神经图像注册 (NIR),这是一个新的框架,将优化与深度神经网络相结合,用于准确和高效的医疗图像注册.
• 使用神经场来建模复杂的变形,并通过梯度下降优化注册.

主要方法:

• NIR利用神经场来表示连续的转换,输出位移或速度向量场进行记录.
• 该框架采用了诸如坐标编码,正弦激活和专门采样等技术,以改进优化.
• 通过通过随机迷你批次梯度下降来更新神经场参数来实现注册.

主要成果:

• 与传统方法相比,NIR在3DMR脑扫描数据集上表现出极具竞争力的性能,实现了更高的准确性和规律性.
• 该框架显著减少了计算时间,同时改善了注册结果.
• 在交叉数据集注册任务中,NIR表现出了有希望的表现,超过了预先训练的基于学习的方法.

结论:

• 尼尔提供了一种强大而有效的医疗图像注册方法,克服了现有方法的局限性.
• 神经网络与优化集成为复杂的注册任务提供了灵活而准确的框架.
• NIR代表了自动化医学图像分析和计算解剖学的重大进步.