一个基于ODE的多分辨率并行网络,用于呼吸运动估计
Ziming Zhang1,2, Mingxiao Li1,2, Wenjun Tan3,4
1School of Computer Science and Engineering, Northeastern University, Wenhua Road, Shenyang, 110819, Liaoning, China.
Medical & biological engineering & computing
|October 14, 2025
概括
这项研究引入了一种新的深度学习方法,使用神经普通微分方程 (神经ODE) 准确估计肺呼吸运动. 该方法通过提供精确的4DCT运动跟踪来改善外科指导.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 人工智能的人工智能
背景情况:
- 呼吸运动在肺穿孔手术过程中显著地取代了病变.
- 精确的肺运动估计对于手术指导至关重要.
- 复杂的肺变形和内部结构挑战了当前的运动估计技术.
研究的目的:
- 开发一种用于估计肺呼吸运动的先进方法.
- 为了提高手术应用的肺运动估计的准确性和可靠性.
- 解决目前对4DCT数据的深度学习模型的局限性.
主要方法:
- 提出了采用神经普通微分方程 (神经ODE) 的多分辨率并行网络架构.
- 利用神经ODE在4DCT数据中明确模拟时间连续性,确保现实的变形.
- 采用多分辨率并行结构用于递归特征改进,以增强预测能力.
主要成果:
- 与现有的深度学习方法相比,拟议的方法显示出更高的性能.
- 在所有呼吸阶段的肺部运动估计中实现了始终高的准确性.
- 生成的转变更好地与生理呼吸运动模式保持一致.
结论:
- 这种基于ODE的新型神经网络有效地以高准确度估计了肺呼吸运动.
- 这种方法为涉及肺病变的外科干预提供了更好的指导.
- 该方法增强了特征表示和预测,从而在4DCT分析中获得了更高的注册准确性.
