TLRN:用于大变形图像注册的时间潜伏残余网络
Nian Wu1, Jiarui Xing1, Miaomiao Zhang1,2
1Department of Electrical and Computer Engineering, University of Virginia, USA.
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
|March 24, 2025
概括
本研究介绍了临时潜伏残余网络 (TLRN),用于准确的时间序列图像记录. TLRN有效地预测变形场,改善医学成像中大运动的结果.
科学领域:
- 医疗图像分析 医学图像分析
- 计算机视觉 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:
- 时间序列图像的注册是具有挑战性的,因为大运动和显著的差异.
- 现有的方法在动态场景中 (如心脏成像) 难以获得准确性和稳定性.
研究的目的:
- 介绍一种新型的时空潜伏残余网络 (TLRN),用于预测时间序列图像注册中的变形场.
- 为了利用运动连续性和时间流性,提高记录准确性.
主要方法:
- 开发了TLRN,这是一个时间残留网络,在潜变形空间中有块.
- 使用时间序列初始速度场的参数化余块.
- 作为一个动态训练系统来学习变形残留物,处理了连续的残留块.
主要成果:
- TLRN在合成和现实世界的心脏磁共振 (CMR) 数据上证明了更好的注册准确性.
- 与最先进的方法相比,这种方法显示出了相当大的收益.
- 在具有显著运动的具有挑战性的数据集上得到验证的有效性.
结论:
- 对于时间序列的图像记录,TLRN提供了一个强大而准确的解决方案,特别是在存在大量运动的情况下.
- 该方法有效地利用时间信息进行精确的变形场预测.
- 公开可用的代码有助于进一步的研究和应用.
