自动化多式模式图像注册前列腺癌使用挤压激发ResNet与薄板支线转换:一个深度学习方法
Hua Cai1, Yongxin Li2, Qiang Zhao3
1School of International Pharmaceutical Business, China Pharmaceutical University, Nanjing, Jiangsu, China.
概括
一个无监督的深度学习模型准确地对准前列腺MRI和组织病理学图像,改善癌症诊断和治疗计划. 这种自动化方法增强了空间相关性,以更好地解释医学成像.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 术前前列腺核磁共振和前列腺切除术后的组织病理学之间的准确空间相关性对于前列腺癌管理至关重要.
- 手动注册方法是主观的,耗时的,需要自动化解决方案.
研究的目的:
- 开发一种无监督的深度学习模型,用于前列腺核磁共振成像和组织病理学图像的可变形记录.
- 为了提高多式前列腺图像融合的准确性和效率.
主要方法:
- 开发了一个无监督的深度学习模型:Squeeze-and-Excitation ResNet与薄板支线转换 (SE-ResNet-TPS).
- 使用多尺度卷积内核,道注意力 (挤压和激发) 和TPS转换用于复杂的变形.
- 从未标记的图像对直接学习特征对应.
主要成果:
- 在整体子相似系数 (DSC) 达到0.964和Hausdorff距离 (HD) 为2.91的解剖对齐.
- 对于具有挑战性的癌症特异性区域,显示了0.578的DSC和4.97的HD.
- 展示了在调整关键区域的显著能力,尽管模式差异和文物.
结论:
- 该SE-ResNet-TPS框架提供高度准确的前列腺MRI和组织病理学的无监督登记.
- 该模型有效用于多式前列腺图像融合,增强整体解剖结构对齐.
- 显示了改善MRI上前列腺癌局部化的潜力,并帮助诊断和活检指导.
