UTMorph:一种混合CNN转换器网络,用于在活检穿孔中进行弱监督的多式模式图像注册
Xudong Guo1, Peiyu Chen1, Haifeng Wang2
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China.
Medical image analysis
|January 15, 2026
概括
使用CNN和变压器网络的新框架UTMorph准确地记录了手术前的MRI和手术内超声波图像. 这通过精确处理软组织变形来改善机器人引导的程序.
科学领域:
- 医疗图像分析 医学图像分析
- 医学中的人工智能
- 手术机器人手术机器人手术机器人手术机器人
背景情况:
- 术前磁共振成像 (MRI) 和术后超声波 (US) 的准确记录对于精确的机器人引导活检和切除至关重要.
- 现有的方法在手术过程中难以实现速度,准确性和软组织变形.
研究的目的:
- 开发一个高效和准确的可变形多式联机图像注册框架,用于MRI-US融合.
- 解决软组织变形和医疗图像注册中的计算复杂性的挑战.
主要方法:
- 提出了UTMorph,这是一个混合框架,结合了U-Net,卷积神经网络 (CNN) 和变压器网络.
- 引入了一种新的注意力机制,专注于结构化图像特征,以精确估计变形.
- 开发了一种混合边缘损失功能,以增强形状和边界信息,以提高注册准确度.
主要成果:
- 与六种常见的注册方法相比,UTMorph在多个指标上表现出卓越的性能.
- 获得了0.890的子相似系数,95%的豪斯多夫距离2.679毫米,平均表面距离0.284毫米.
- 确保准确的记录与最小的内存使用,即使有显著的模式差异,验证了704名患者的数据集.
结论:
- 具有混合边缘损失功能的UTMorph模型对于MR-US可变形医疗图像注册是有效的.
- 该框架通过提高图像注册的准确性和速度来提高机器人辅助干预的精度.
- 开发的模型为多式联络医疗图像注册的挑战提供了强大的解决方案.
