OTMorph:无监督的多域腹部医疗图像注册使用神经最佳传输

科学领域:

• 医学成像分析分析 医学成像分析
• 计算解剖学的计算解剖学
• 机器学习在医疗保健中的应用

背景情况:

• 可变形图像的注册对于分析医疗图像至关重要,特别是对于肝癌和淋巴瘤等腹部疾病.
• 多域腹部图像 (不同的模式/协议) 是至关重要的,但由于患者移动等因素而失调.
• 目前的深度学习方法由于图像特征 (对比度,强度) 不同而难以进行多域注册.

研究的目的:

• 提出一个新的无监督多域图像注册框架,OTMorph,解决医疗成像领域领域差距的挑战.
• 为了提高多域腹部图像可变形注册的准确性和通用性.

主要方法:

• OTMorph使用神经最佳传输来学习移动和固定图像域之间的映射.
• 传输模块估计了一个域传输的体积,调整数据分布.
• 随后的注册模块使用这种运输体积来准确估计变形场.

主要成果:

• 在多模式和多参数腹部图像上,OTMorph表现出卓越的可变形注册性能.
• 域传输图像有效地减轻了输入图像之间的域间隙.
• 该模型显示了更好的概括性,即使在分布外数据上也是如此.

结论:

• 在腹部医学成像中,OTMorph为无监督的多域可变形图像注册提供了强大的解决方案.
• 神经最佳传输方法成功地弥合了域间的差距,提高了注册的准确性和可靠性.
• 该框架的通用性表明它可以广泛应用于各种医疗图像注册任务.