无监督的非刚性组织学图像注册以关键点对应指导,基于可通过代训练学习的深度特征
IEEE transactions on medical imaging
|August 21, 2024
概括
本研究引入了一种代关键点对应指导 (IKCG) 网络,用于非刚性组织学图像注册. 该方法在调整具有显著染色差异的图像方面表现出色,在ANHIR和ACROBAT基准中获得了最高排名.
科学领域:
- 数字病理学数字病理学
- 医学图像分析分析
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 组织学图像注册对于分析至关重要,但由于染色变异而具有挑战性.
- 无监督深度学习 (DL) 方法使用关键点对应来指导注册.
- 现有的方法在较大的位移和组织撕裂方面扎.
研究的目的:
- 为非刚性组织学图像注册提出一个代的关键点对应指导 (IKCG) 无监督网络.
- 为了提高显著的外观差异和大位移的图像的注册准确性.
- 开发一种解决诸如组织切片中的组织撕裂等挑战的方法.
主要方法:
- 引入固定和可学习的深度特征,作为建立对应的关键点描述符.
- 用关键点对应之间的距离作为损失函数来训练注册网络.
- 采用代训练策略,共同训练注册网络并优化可学习的深度功能.
主要成果:
- 该IKCG网络有效地处理本地非刚性大排位问题.
- 预训练DL网络中的固定的深度特征提供了歧视性描述符.
- 从中间层中可学习的深度特征捕获独特的组织学图像信息.
- 该方法在2024年8月6日之前在ANHIR和ACROBAT基准中获得了第1名.
结论:
- 拟议的IKCG无监督网络显著推进了非刚性组织学图像记录.
- 可学习特征的联合优化和代训练增强了对大位移和组织损伤的强度.
- 该方法的卓越性能通过其在已建立的基准指标上排名第一来验证.
