自动化前列腺活检指导:一种强大的CNN方法,用于非刚性3D/3DMR-TRUS图像注册

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 泌尿器科 泌尿器科 泌尿器科 泌尿器科

背景情况:

• 跨直肠超声波 (TRUS) 和磁共振 (MR) 图像的精确融合对于有针对性的前列腺癌活检至关重要.
• 由于显著的解剖和外观变化,MR和TRUS图像之间的自动注册具有挑战性.

研究的目的:

• 开发一种全自动,弱监督的深度学习 (DL) 方法,用于精确的3D MR-TRUS图像注册.
• 为了预测密度移位场 (DDF),而不需要分割图像,简化临床应用的过程.

主要方法:

• 一个基于DL的预处理步骤对准前列腺的中枢点,以改善初始化.
• 一个以UNet为灵感的注册网络 (RegResUNet) 与空间变压器层 (STL) 直接预测voxel级DDFs.
• 使用解剖面具的软弱监督使训练没有地面真相DDFs.

主要成果:

• 拟议的方法实现了0.97 ± 0.85毫米的平均表面登记误差 (SRE) 和0.93 ± 0.02的子相似系数 (DSC).
• 超过了刚性基线注册和几个最先进的非刚性注册模型.
• 消除了手动细分的需要,减少了程序时间和人为错误.

结论:

• 开发的自动DL方法为前列腺干预提供了强大而高效的MR-TRUS注册.
• 对临床使用的潜力,提高前列腺癌检测和治疗的准确性,一致性和患者舒适性.