多尺度无监督网络用于可变形图像注册
Yun Wang1, Wanru Chang2, Chongfei Huang3
1School of Mathematical Sciences, Zhejiang University, Hangzhou, China.
Journal of X-ray science and technology
|September 6, 2024
概括
一种新的深度学习方法,FMIRNet,实现了对单模图像的快速,无监督的可变形图像注册. 这种方法提高了注册准确性和下游细分任务,提供了强大的性能.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 可变形图像注册 (DIR) 对于临床应用至关重要.
- 深度学习最近已经推进了DIR方法.
研究的目的:
- 引入FMIRNet,一个快速,多尺度,无监督的可变形图像注册方法,用于单模图像.
主要方法:
- 开发了一种具有空间注意力的多尺度聚变模块,以估计大型位移场.
- 培训包括平均平方误差 (MSE) 和结构相似性 (SSIM),以提高结构的一致性.
主要成果:
- 在基准数据集 (EchoNet,CHAOS,SLIVER) 上,FMIRNet 证明了更好的注册性能 (SSIM,NCC,NMI).
- 整合到联合学习框架中,促进了细分任务 (Dice,HD,ASSD),特别是有限的注释.
结论:
- FMIRNet有效地处理大型变形,并在联合注册和细分任务中表现出可泛化,稳健的性能.
- 该方法为培训细分模型提供可靠的标签.
