无监督可变形的UDRNet:无监督可变形的肺CT图像记录网络,具有混合注意力机制

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 肺部疾病的诊断越来越依赖于多时间点和多模式成像数据.
• 由于呼吸运动和器官变形,在不同成像状态中跟踪肺病变具有挑战性.
• 现有的肺部图像记录方法耗时,需要注释数据.

研究的目的:

• 为肺部CT图像开发一个无监督可变形的注册网络.
• 为了应对不同时间点和方式追踪肺病变的挑战.
• 提高肺部图像分析的准确性和效率,以监测疾病进展.

主要方法:

• 一个端到端编码器解码器网络直接预测变形向量场 (DVF).
• 一个空间和频道混合注意力融合模块 (scHAF) 融合了浅层空间和频道特征,以增强语义对齐.
• 使用图像相似性损失的无监督训练策略可以避免需要真正的变形场标签.

主要成果:

• 拟议的网络在CT肺部注册数据集上的3D VoxelMorph等基线方法中表现优于基线方法.
• 通过Dice (54.92%),NCC (91.49%) 和MSE (89.90%) 的指标实现了卓越的表现.
• 废弃性研究证实了scHAF模块在提高注册准确性的有效性.

结论:

• 无监督的可变形注册网络有效地追踪不同成像状态的肺病变.
• 混合注意力机制和无监督培训策略提高了注册绩效.
• 这种方法为使用医学成像进行肺病进展分析提供了更有效,更准确的解决方案.