一个参数高效和运动意识的探索性自我精炼网络,用于3D脑MRI注册

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 基于金字塔的可变形注册网络通过分解变形来提供准确性.
• 现有的方法往往缺乏明确的模拟内部层次的运动模糊性,并且可以是参数重的.
• 基于变压器的方法虽然强大,但通常需要数百万个参数,限制了部署.

研究的目的:

• 提出ESR-Net,一个参数效率和运动意识的注册网络.
• 引入一个探索性自我精炼模块 (ESRM),以改进变形估计.
• 为了使医疗图像注册中能够共同处理大位移和微妙的局部运动.

主要方法:

• 在每一个解码器级别上,ESR-Net使用一个四阶段的探索性自我完善模块 (ESRM).
• 在ESRM中,可以明确地捕捉,指导,评估和完善各种运动可能性.
• 方法包括空间通道注意,可变形卷积,信心意识加权和信心加权融合.

主要成果:

• 在3D脑部MRI和肺部CT数据集上,ESR-Net表现出卓越的性能.
• 该网络的表现优于流行的基于CNN,基于变压器和基于金字塔的注册方法.
• 在处理大位移和微妙的局部变形时,ESR-Net只用0.60M的参数实现了高精度.

结论:

• 显式探索性自我精炼为基于变压器的重型注册模型提供了高效和有效的替代方案.
• ESR-Net为医疗图像注册提供了一种轻量级但功能强大的解决方案.
• 拟议的方法可以在显著减少参数数量的情况下进行精确的记录.