DART:可变形解剖意识注册工具包用于肺部CT注册与关键点的监视
Yunzheng Zhu1,2, Luoting Zhuang1,3, Yannan Lin1
1Medical & Imaging Informatics, Department of Radiological Sciences, David Geffen School of Medicine at UCLA.
Proceedings. IEEE International Symposium on Biomedical Imaging
|September 23, 2024
概括
我们介绍了DART,这是一种用于肺CT图像登记的新型深度学习方法. DART利用解剖学知识显著提高登记准确性,优于现有方法.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 由于肺部的可变形性,肺部CT注册具有挑战性.
- 当前的深度学习模型缺乏明确的解剖学知识.
研究的目的:
- 为肺CT注册开发一个对解剖学有意识的深度学习模型.
- 使用解剖特征来提高关键点监督注册的准确性.
主要方法:
- 可变形解剖感知注册工具包 (DART),一种基于掩盖自编码器 (MAE) 的方法.
- 结合了解剖细分网络 (肺,肋骨,脊椎,叶片,血管,呼吸道) 的特征.
- 使用预训练的变压器编码器和补丁嵌入权重进行初始化.
主要成果:
- DART的表现优于基线模型 (Voxelmorph,ViT-V-Net,MAE-TransRNet) 的表现.
- 实现了关键点目标注册错误的相对改善 (17%,13%,9%).
- 在结节中心注册方面取得了相对改善 (27%,10%,4%).
结论:
- DART通过整合解剖信息来提高肺CT注册的准确性.
- 基于MAE的方法与解剖学先验为医疗图像注册提供了一个有希望的方向.
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
546
