基础模型增强无监督的3D可变形医疗图像注册.
Zhuoran Jiang1, Zhendong Zhang2, Lei Xing3
1Radiation Oncology, Stanford University, 875 Blake Wilbur Drive, Stanford, California, 94305-5101, UNITED STATES.
Physics in medicine and biology
|January 8, 2026
概括
本研究引入了一种新的无监督深度学习方法,通过整合视觉基础模型来进行可变形图像注册 (DIR). 该方法提高了医疗图像分析的准确性和稳定性,特别是复杂结构.
科学领域:
- 医疗图像分析 医学图像分析
- 深度学习是一种深度学习.
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 对于可变形图像注册 (DIR) 的无监督深度学习方法是有前途的,但由于结构模两可的原因,它们在不良条件下扎.
- 现有的方法缺乏隐含的解剖学理解,限制了准确性和稳定性.
研究的目的:
- 通过整合视觉基础模型,开发一个准确和强大的无监督的DIR框架.
- 解决无监督DIR中结构模两可和不良条件的挑战.
主要方法:
- 一个多规模的无监督框架,利用预先训练有素的视觉基础模型编码器.
- 卷积适配器的集成用于感应偏差和相关性意识的MLP用于变形向量场 (DVf) 解码.
- 利用金字塔架构来捕获多范围的依赖性,并通过心脏MRI和肝脏CT数据集进行评估.
主要成果:
- 拟议的方法产生了现实和准确的DVF,实现了高的注册相似性.
- 实现了心脏MRI的0.869±0.093的子得分,以及肝脏CT的1.60±1.44毫米的基准误差.
- 与最先进的方法相比显著改善,基础功能集成证明有效 (p<0.05).
结论:
- 这种新的方法推进了多模式图像的DIR,这些图像具有复杂的结构和低对比度.
- 为各种医学图像分析应用提供了强大的工具.
- 强调了整合基础模型以提高DIR性能的潜力.
