一种基于物理的深度学习可变形医疗图像注册方法,基于神经ODEs

科学领域:

• 生物物理学的生物物理.
• 固体力学 固体力学是什么
• 机器学习 机器学习

背景情况:

• 准确的医学图像注册对于理解生物过程和疾病进展至关重要.
• 现有的方法与大变形和复杂的生物生长动态作斗争.

研究的目的:

• 引入无监督机器学习方法用于医疗图像注册.
• 纳入大变形弹性,生长和重塑的原则.
• 在各种生物和医学成像数据集上验证该方法.

主要方法:

• 基于最小潜在能量的无监督机器学习方法.
• 两个步骤的过程:几何记录的预测步骤和物理执行的校正步骤.
• 使用不相似度措施,规范化术语和潜在能量最小化.

主要成果:

• 成功地注册了具有大,不均变形的医疗图像.
• 对大脑数据的现有方法进行了竞争性表现.
• 应用于斑马鱼翅膀再生,大脑缩评估和胎儿大脑发育.

结论:

• 拟议的框架实现了高质量的医疗图像注册.
• 有效地解决大变形弹性平衡方程和生长/重塑动力学.
• 从成像数据中分析复杂的生物变化提供了一种多功能工具.