CCMNet:用于3D肺CT图像注册的跨度相关意识映射网络
Li Long1, Xufeng Xue1, Hanguang Xiao1
1School of Artificial Intelligence, Chongqing University of Technology, Chongqing 401135, China.
Computers in biology and medicine
|September 8, 2024
概括
这项研究引入了一种新的多层次注册框架,以改善肺部CT图像的注册,有效地处理大变形和远程依赖,以获得更准确的结果.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 生物医学工程 生物医学工程
背景情况:
- 肺部的高弹性和复杂结构导致了大量的形状变化,这给准确的图像记录带来了挑战.
- 传统的U-Net架构因受体场有限和长距离依赖性减弱而面临巨大的变形问题.
研究的目的:
- 开发一种新的多层次注册框架,以增强 voxel 对应性,以改善肺部CT图像中的大变形估计.
- 解决现有方法在处理复杂的肺变形和远程依赖方面的局限性.
主要方法:
- 一个卷积神经网络 (CNN),具有双流注册结构,用于强大的特征提取.
- 一个交叉尺度映射注意力 (CSMA) 机制,以建立网络层之间的频繁连接,保持图像对相关性.
- 利用多尺度的上下文信息来绘制低分辨率和高分辨率特征地图之间的关系.
主要成果:
- 在DIRLAB数据集上实现了1.56 ± 1.60的TRE.
- 在POPI数据集上获得了99.72%的NCC和91.42%的SSIM.
- 证明有效处理大型变形问题和减轻远程依赖.
结论:
- 拟议的多层次注册框架显著提高了肺部CT图像注册的准确性和稳定性.
- 该CSMA机制有效地利用多个规模的信息来克服与大变形相关的挑战.
- 这种方法为精确的肺图像分析和临床应用提供了有前途的解决方案.
更多相关视频
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
1.4K
02:09Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function
Published on: April 12, 2024
552
