胎儿大脑MRI的深度级联注册和弱监督的细分
Valentin Comte1,2, Mireia Alenya1, Andrea Urru1
1BCN MedTech, Department of Information and Communication Technologies, Universitat Pompeu Fabra, Barcelona, Spain.
Heliyon
|January 16, 2025
概括
这项研究引入了用于医疗图像注册的新型深度学习框架,提高了胎儿大脑MRI分析的准确性. 多分辨率方法改善了对齐和细分,特别是在有限的注释数据中.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 神经成像是一种神经成像.
背景情况:
- 可变形图像的注册对于胎儿大脑MRI分析至关重要.
- 传统的卷积神经网络 (CNN) 由于低空间频率偏差而难以处理细节.
研究的目的:
- 开发一种深度学习注册框架,克服胎儿大脑MRI的CNN限制.
- 为了提高捕捉精细图像细节和整体对齐的准确性.
主要方法:
- 一个使用级联卷积网络的多分辨率深度学习框架.
- 预测不同空间频率级别的增量变形场.
- 集成到一个多图谱细分管道中.
主要成果:
- 拟议的方法显著优于现有的最先进的注册技术.
- 与有限的地图集的nnU-Net相比,在多地图集细分方面取得了竞争性表现.
- 在胎儿大脑MRI分析中证明有效性.
结论:
- 级联式多分辨率深度学习框架提供了卓越的可变形图像注册.
- 这种方法对于具有有限注释数据的应用非常有价值,例如胎儿大脑MRI.
- 公开可用的管道有助于进一步的研究和应用.
