GMmorph:基于门式Mamba的3D医疗图像的动态空间匹配注册模型

科学领域:

• 医疗图像分析 医学图像分析
• 用于医学成像的深度学习
• 计算解剖学的计算解剖学

背景情况:

• 可变形注册通过密集的移位场对医疗图像进行调整,这对于手术规划和导航至关重要.
• 当前的深度学习方法面临着复杂的位移,特征交互和空间匹配的挑战,影响准确性和稳定性,特别是异常组织.

研究的目的:

• 开发一种新的双分支交互式可变形注册模型,增强空间位置匹配,提高准确性和稳定性.
• 解决当前基于深度学习的注册方法关于复杂位移和特征集成的局限性.

主要方法:

• 提出了一种双分支的交互式注册架构,其中包括一个动态匹配模块,用于可学习的偏移和三线性插值,用于灵活的特征表达.
• 集成了一个封闭的Mamba层,用于全球像素级特征建模,以及一个细节增强模块,用于局部特征丰富的道和空间注意.
• 使用隐式规范化通过一致性损失来平衡准确性并最大限度地减少折叠,支持无监督和半监督的学习模式.

主要成果:

• 该模型在单模和多模图像注册任务中展示了最先进的性能.
• 在各种数据集上进行评估,包括正常的大脑,脑瘤和肺部图像,展示了强大的性能.
• 在各种医疗数据类型中实现了精确的注册,验证了其有效性.

结论:

• 拟议模型中的位置匹配的新视角显著提高了可变形图像登记的准确性和稳定性.
• 该模型为各种医疗应用提供了实质性的临床价值,需要精确的图像对齐.
• 开发的架构有效地整合了全球和本地特征,克服了现有的深度学习注册技术的局限性.