BIASNet:一个双向的特征对齐和语义导向网络,用于弱监督的医疗图像注册
Housheng Xie1, Xiaoru Gao1, Guoyan Zheng1
1Institute of Medical Robotics, School of Biomedical Engineering, Shanghai Jiao Tong University, No.800 Dongchuan Road, Shanghai, 200240, China.
Medical image analysis
|December 18, 2025
概括
这项研究介绍了BIASNet,这是一种用于医疗图像注册的新弱监督方法,利用解剖标签提高准确性. 通过有效调整多尺度特征和强制执行解剖学一致性,BIASNet的性能优于现有的方法.
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:
- 医学图像注册对于临床应用至关重要,但无监督深度学习方法存在局限性.
- 弱监督的方法提供了潜力,但尚未充分利用细分标签信息.
- 普遍细分模型的进步使解剖标签的提取更容易.
研究的目的:
- 开发一种新的弱监督的医疗图像注册方法 (BIASNet),有效地利用细分标签的解剖和结构预先信息.
- 通过整合语义智能和强度智能特征对齐来提高医疗图像注册的准确性和稳定性.
主要方法:
- 拟议的BIdirectional功能是对准和语义导向网络 (BIASNet),用于弱监督的图像注册.
- 采用双属性学习方案,使用一种新的双向对齐和融合 (BIAF) 模块来提取语义和强度方面的特征.
- 集成了一个语义指导的渐进式注册框架和解剖区域变形一致性学习.
主要成果:
- 与最先进的可变形注册方法相比,BIASNet在三个具有挑战性的数据集上表现出更高的性能.
- 拟议的方法有效地利用多尺度特征和解剖学先验来准确估计变形场.
- 解剖区域变形一致性学习规范了目标解剖区域的变形.
结论:
- 通过有效地整合细分标签信息,BIASNet代表了在弱监督的医疗图像注册方面取得的重大进展.
- 该方法实现了最先进的结果,为临床应用提供了更准确,更强大的解决方案.
- 公共可用的源代码促进了医疗图像注册的进一步研究和开发.
