10.19678/j.issn.1000-3428.0063999
基于深度学习的肝脏CT-MR图像无监督配准
多模态配准是医学图像分析中的关键环节,在肝癌辅助诊断、图像引导的手术治疗中具有重要作用.针对传统的迭代式肝脏多模态配准计算量大、耗时长、配准精度低等问题,提出一种基于多尺度形变融合和双输入空间注意力的无监督深度学习配准算法.利用多尺度形变融合框架提取不同分辨率的图像特征,实现肝脏的逐阶配准,在提高配准精度的同时避免网络陷入局部最优.采用双输入空间注意力模块在编解码阶段融合不同水平的空间和文本信息提取图像间的差异特征,增强特征表达.引入基于邻域描述符的结构信息损失项进行网络迭代优化,不需要任何先验信息即可实现精确的无监督配准.在临床肝脏CT-MR数据集上的实验结果表明,与传统的Affine、Elastix、VoxelMorph等算法相比,该算法达到最优的DSC值和TRE值,分别为0.9261±0.0186和6.39±3.03 mm,其平均配准时间为0.35±0.018 s,相比Elastix算法提升了近380倍,能准确地提取特征及估计规则的形变场,具有较高的配准精度和较快的配准速度.
深度学习、无监督配准、多模态配准、形变融合、结构信息损失、空间注意力
49
TP391(计算技术、计算机技术)
国家自然科学基金;国家重点研发计划;中国科学院青年创新促进会项目;江苏省重点研发计划;苏州市科技计划
2023-01-16(万方平台首次上网日期,不代表论文的发表时间)
共11页
223-233