基于残差融合网络的定量磁敏感图像与T1加权图像配准
医学图像配准对医学图像处理和分析至关重要,由于定量磁敏感图像(quantitative susceptibility mapping,QSM)与T1加权图像的灰度、纹理等信息存在较大的差异,现有的医学图像配准算法难以高效精确地完成两者配准.因此,本文提出了一个基于残差融合的无监督深度学习配准模型RF-RegNet(residual fusion registration network,RF-RegNet).RF-RegNet由编解码器、重采样器以及上下文自相似特征提取器3部分组成.编解码器用于提取待配准图像对的特征和预测两者的位移矢量场(displacement vector field,DVF),重采样器根据估计的DVF对浮动QSM图像重采样,上下文自相似特征提取器分别用于提取参考T1加权图像和重采样后的QSM图像的上下文自相似特征并计算两者的平均绝对误差(mean absolute error,MAE)以驱动卷积神经网络(convolutional neural network,ConvNet)学习.实验结果表明本文提出的方法显著地提高了 QSM图像与T1加权图像的配准精度,满足临床的配准需求.
卷积神经网络、医学图像配准、QSM、残差融合、图像处理
31
TP391.41;TN929.5;R714.5
国家自然科学基金;中法蔡元培项目;贵州省科技计划;贵州省科技计划
2022-08-24(万方平台首次上网日期,不代表论文的发表时间)
共9页
46-54