D2C-Morph:基于无监督注册网络的脑区域细分与相似性分析

科学领域:

• 医疗图像分析 医学图像分析
• 深度学习在神经科学中的应用.
• 计算解剖学的计算解剖学

背景情况:

• 大脑区域细分对于医学图像分析至关重要,有助于诊断和预后.
• 当前的深度学习细分模型需要对图像数据进行准确的空间对齐.
• 现有的方法往往需要单独的注册和细分步骤,增加复杂性.

研究的目的:

• 提出D2C-Morph,这是一个新的无监督深度学习模型,用于联合图像注册和细分.
• 为了提高大脑图像处理管道的准确性和效率.
• 为了证明从对细分任务的注册变形场的实用性.

主要方法:

• 开发了一个双路径网络,强调输入特征.
• 实施无监督学习,用于联合注册和细分.
• 使用了两次对比式学习和一个相关性层,以增强功能地图相似性.

主要成果:

• D2C-Morph成功地在没有监督的情况下进行了联合注册和细分.
• 双路径网络和对比学习增强了特征表示.
• 相对应层通过增加特征图像相似性来提高解码器性能.

结论:

• 拟议的D2C-Morph模型有效地整合了注册和细分.
• 无监督学习可以实现同时处理,简化管道.
• 可以利用来自注册的变形场来提高细分精度.