基于不确定性的心脏图像记录使用变异自编码器与非均间隔的控制点.
Yong Hua1, Haosheng Su1, Xuan Yang1
1College of Computer Science and Software Engineering, Shenzhen University, Shenzhen, 518060, Guangdong, China; Guangdong Province Key Laboratory of Popular High Performance Computers, Shenzhen, 518060, Guangdong, China; Guangdong Province Engineering Center of China-made High Performance Data Computing System, Shenzhen, 518060, Guangdong, China.
本研究引入了一种改进的变量贝叶斯 (VB) 图像注册模型,使用非均间隔的控制点. 改进的模型准确地捕捉了边界特征,并利用不确定性进行精确的心脏运动估计.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 变量贝叶斯 (VB) 图像注册模型为诸如心脏运动估计等应用提供不确定性量化.
- 现有的VB模型在提取边界特征和有效利用不确定性信息方面面临挑战.
- 在VB模型中,先前分布往往难以平衡准确性和后前差距.
研究的目的:
- 通过解决特征提取和不确定性利用的局限性来增强变异贝叶斯图像注册.
- 通过先进的VB图像记录技术,提高心脏运动估计的准确性.
- 开发一个更强大的VB模型,有效地处理组织边界和感兴趣的区域.
主要方法:
- 整合非均距离的控制点以目标边界位移.
- 开发一个网络,从控制点同时提取图像和空间特征.
- 整合移位矢量场 (DVF) 不确定性,以优先考虑感兴趣的区域 (ROI) 并提高生成可能性.
- 采用因子化先前分布来调整后面分布并减少KL差异.
主要成果:
- 拟议的网络在四个公共数据集上表现优于最先进的注册网络.
- 该模型成功地使用非均间隔的控制点从对象边界中提取特征.
- 不确定性引导的生成概率准确地与图像中的ROI相匹配.
- 这种因子化先验显著提高了重建的准确性.
结论:
- 增强的VB图像注册模型有效地利用非均间隔的控制点来提取边界特征.
- 基于不确定性的生成概率准确地引导DVF进行精确的ROI匹配.
- 与现有方法相比,因子化先验明显提高了重建的准确性.
相关概念视频
Imaging Studies for Cardiovascular System I:Echocardiography
Indications: Echocardiography is utilized to diagnose heart failure, valve disorders, and myocardial infarction. It also assesses cardiac structures' size, shape, and motion,...
Uncertainty: Overview
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Calibration Curves: Linear Least Squares
For data that follow a straight line, the standard method for fitting is the linear...
Imaging Studies for Cardiovascular System IV: CMRI
Uncertainty: Confidence Intervals


