可变形医疗图像注册,具有有效的解剖结构表示和划分和征服网络

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:

• 可变形医疗图像注册 (DMIR) 的性能通过有效的兴趣区域 (ROI) 表示和独立对齐来提高.
• 目前基于学习的DMIR方法存在局限性:无监督的方法忽略了ROI表示,弱监督的方法严重依赖标签约束.

研究的目的:

• 引入一种基于ROI的新型低监督ROI注册方法,EASR-DCN,可以实现独立的ROI调整,而不需要标签.
• 使用有效的ROI来表示医疗图像,并独立调整它们,以克服现有的DMIR方法的局限性.

主要方法:

• 利用高斯混合模型进行强度分析,通过多个ROI与不同强度表示图像.
• 提出了一种新的划分和征服网络 (DCN),通过单独的道来处理ROI,以实现独立的特征对齐.
• 集成的次变形场产生一个全面的移位向量场.

主要成果:

• 在三个MRI和一个CT数据集中,EASR-DCN证明了卓越的准确性和变形减少效率.
• 与Voxelmorph相比,达到了显著的Dice得分改善:10.31% (大脑MRI),13.01% (心脏MRI) 和5.75% (海马体MRI).

结论:

• EASR-DCN为准确和高效的可变形医疗图像注册提供了一个有前途的方法.
• 该方法能够在没有标签的情况下进行独立的ROI调整,这突显了其在临床应用中的潜力.