基于深度学习的框架 快照和病理图像的多模式图像注册 图像注册
IEEE journal of biomedical and health informatics
|August 16, 2024
概括
这项研究引入了多模式图像注册的深度学习框架,准确地将微观病理图像与其他成像类型对齐. 该方法有效地处理组织变形,对于瘤外科手术应用至关重要.
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:
- 多模式图像注册对于在不同医学成像领域的信息相互关联至关重要.
- 组织病理学是瘤外科的黄金标准,用于分析切除的组织.
- 在病理学图像上注册各种成像模式 (MRI,CT,超声波,白光) 由于显著的组织变形而带来挑战.
研究的目的:
- 开发和验证基于深度学习的多模式图像注册框架.
- 为了应对实质性变形的挑战,在将微观病理图像与其他模式对齐时.
- 建立一个强大的数据采集,处理和验证在医疗图像注册的管道.
主要方法:
- 开发了一个深度学习框架,用于多模式的图像注册.
- 该框架是使用前列腺白光摄像头成像的活体验证的,该摄像头图像注册为血素-素染色的病理学图像.
- 实施和分析了一个详细的管道,涵盖数据采集,预处理,数据增强,损失函数和规范化.
主要成果:
- 拟议的框架实现了0.96的子相似系数和0.54的相互信息分数.
- 得到的目标注册误差为2.4毫米,区域子相似系数为0.70.
- 通过对各种参数的全面分析,确定了一个强大的训练配置.
结论:
- 开发的深度学习框架允许准确的多模式图像注册,特别是微观病理图像.
- 该研究提供了一个验证的管道和分析成功注册的关键组件,解决显著的组织变形.
- 这些发现具有临床相关性,为瘤外科手术等应用提供了不同成像方式信息的改进相关性.
更多相关视频
07:13Author Spotlight: An Efficient and Robust Software for Automated Fusion of Multiple Preclinical Imaging Modalities
Published on: October 27, 2023
1.1K
02:09Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function
Published on: April 12, 2024
557
