10.19678/j.issn.1000-3428.0065678
基于深度学习的CT-MR图像联合配准分割方法
医学图像配准和分割是医学图像分析中的两项重要任务,将其相结合可以有效提升两者的精度,但现有的单模态图像联合配准分割框架难以适用于多模态图像.针对以上问题,提出基于模态一致性监督和多尺度邻域描述符的CT-MR图像联合配准分割框架,包含一个多模态图像配准网络和两个分割网络.联合配准分割框架利用多模态图像配准产生的形变场在两种模态的分割结果之间建立对应的形变关系,并设计模态一致性监督损失,通过两个分割网络互相监督的方式提升多模态分割的精度.在多模态图像配准网络中,构建多尺度模态独立邻域描述符以增强跨模态信息表征能力,并将该描述符作为结构性损失项加入配准网络,更加准确地约束多模态图像的局部结构对应关系.在118例肝脏CT-MR多模态图像数据集上的实验结果表明,在仅提供30%分割标签的情况下,该方法的肝脏配准Dice相似系数(DSC)达到94.66(±0.84)%,目标配准误差达到5.191(±1.342)mm,CT和MR图像的肝脏分割DSC达到94.68(±0.82)%和94.12(±1.06)%,优于对比的配准方法和分割方法.
多模态图像、配准、分割、模态一致性监督、多尺度邻域描述符
49
TP391.41(计算技术、计算机技术)
中国科学院青年创新促进会项目;江苏省重点研发计划项目;江苏省重点研发计划项目;江苏省重点研发计划项目;江苏省重点研发计划项目;江苏省卫生健康委医学科研项目;苏州市医疗卫生科技创新项目;苏州市科技计划项目;丽水市科技计划项目
2023-09-25(万方平台首次上网日期,不代表论文的发表时间)
共12页
234-245