一个新的3D磁共振成像注册框架,基于Swin变压器UNet+模型,具有3D动态蛇卷积方案

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 基于变压器的医疗图像注册方法在有效捕捉全球和本地特征方面面临挑战.
• 标准的卷积神经网络难以专注于关键区域,并在图像注册过程中有效地恢复上下文.
• 现有的模型在下方采样过程中经常会丢失空间信息,从而阻碍了准确的解剖学表示.

研究的目的:

• 开发一个先进的深度学习模型,用于增强医疗图像注册.
• 解决当前注册技术中特征表示和空间信息丢失的局限性.
• 为了提高3D大脑MRI注册的准确性,效率和功能保存.

主要方法:

• 将Swin-UNet架构扩展到三维,并集成了动态蛇卷积 (DSConv).
• 嵌入多尺度密集跳过连接,以在下方采样过程中保存空间信息.
• 开发了一种基于优化的新弱监督策略,用于代地改进变形场.

主要成果:

• 拟议的OSS DSC-STUNet+模型在脑MRI数据集 (IXI,OASIS,LPBA40) 上实现了多达16.3%的Dice系数改善.
• 与五种经典图像记录方法相比,其表现优越.
• 展示了卓越的准确性,效率和特征保存能力.

结论:

• OSS DSC-STUNet+在3D医疗图像注册方面取得了重大进展,特别是在脑部MRI方面.
• 3D DSConv和多尺度密集跳过连接的集成增强了模型捕捉复杂解剖细节的能力.
• 拟议的弱监管策略进一步完善了注册准确性,使其成为临床应用的有希望的工具.