轻量级交叉分辨率粗细网络,用于高效的可变形医疗图像记录
Jun Liu1, Nuo Shen1, Wenyi Wang1
1School of Computer Science and Technology, Harbin Institute of Technology, Harbin, Heilongjiang, China.
Medical physics
|April 25, 2025
概括
本研究介绍了LightCRCF,这是一种用于医疗图像注册的轻量级深度学习框架. 轻CRCF实现了与最先进的方法相比较的高精度,同时显著提高了效率,使其适合临床使用.
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.
- 计算解剖学的计算解剖学
背景情况:
- 准确和高效的可变形医疗图像注册是至关重要的.
- 深度学习方法提供高精度,但由于模型大小和推断速度慢,往往缺乏效率.
- 现有的方法难以平衡精度和计算效率.
研究的目的:
- 开发一个轻量级但准确的可变形医疗图像注册框架.
- 介绍LightCRCF,这是一个新的框架,解决了医疗图像注册中的准确性-效率权衡问题.
主要方法:
- 使用超轻量级的U-Net架构 (0.1M参数) 提高效率.
- 采用交叉分辨率粗至细 (C2F) 策略,逐步分解变形场.
- 结合了纹理意识修复参数化 (TaRep) 和组流修复参数化 (GfRep) 模块,以提高准确性.
- 应用结构重定型化以保持训练准确性和高效推理.
主要成果:
- 在多个MRI和CT数据集上,LightCRCF的准确性与最先进的方法相美.
- 在效率指标 (参数,VRAM,FLOP,推理时间) 中表现明显优越.
- 在精度上优于其他以效率为重点的方法.
结论:
- 在可变形医疗图像注册中,LightCRCF在准确性和效率之间呈现出良好的平衡.
- 该框架显示了实际临床应用的潜力.
- 开源代码可用于可复制性和进一步开发.
