通过反复动态相关联的高效大变形医疗图像注册.

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 可变形图像的注册对于医学成像分析至关重要.
• 深度学习方法可以加快注册速度,但很难处理很大的变形.
• 目前的方法,如voxel-to-region匹配,缺乏远程对应模型.

研究的目的:

• 开发一个高效的深度学习框架,用于可变形图像注册,能够处理大变形.
• 为了提高医疗图像注册的准确性和降低计算成本.

主要方法:

• 提出了一个基于循环相关的框架,用于匹配的动态区域迁移.
• 采用轻量级的循环更新模块与内存和解的运动/纹理功能.
• 进行了对脑MRI和腹部CT数据集的实验,有或没有亲属预注册.

主要成果:

• 基于循环关联的框架显示出一个强大的精度计算权衡.
• 在OASIS数据集上实现了与最先进的方法可比的性能.
• 仅利用了9.5%的FLOP,运行速度比RDP方法快96%.

结论:

• 拟议的框架有效地处理医疗图像注册中的大型变形.
• 与现有方法相比,在准确性和计算效率之间提供了更好的平衡.
• 显示了推进医学图像分析应用的巨大潜力.