Jan, 2024

不变形还是变形：基于无监督关键点检测的新辅助化疗乳腺动态对比增强磁共振成像的治疗感知纵向配准

PDF
TL;DR通过无监督关键点检测和选择性体积保持的有条件金字塔式注册网络，我们提出了一种用于评估新辅助化疗（NAC）后乳腺 DCE-MRI 的长期变形注册，以精确量化肿瘤变化。在这种方法中，我们从 DCE-MRI 中提取结构和异常关键点，将结构关键点应用于注册算法以限制大变形，并使用基于异常关键点的体积保持损失，在注册后保持肿瘤体积不变。使用 314 名接受 NAC 治疗的患者的 1630 个 MRI 扫描的临床数据集验证了我们方法具有更好的注册性能和更好的肿瘤体积保持。此外，基于我们提出的方法的局部 - 全局结合生物标志物在病理完全缓解（pCR）预测中取得了高准确性，表明预测信息存在于肿瘤区域之外。这些生物标志物有可能用于避免对某些患者进行不必要的手术。对于临床医生和 / 或计算机系统来说，使用我们的注册方法对图像进行随访肿瘤分割和响应预测可能非常有价值。我们的代码可在 https://github.com/fiy2W/Treatment-aware-Longitudinal-Registration 获得。
发现论文，激发创造
  • 基于 DWI 数据的乳腺癌新辅助化疗反应自动预测

    该研究提出了一种使用 “Size-Adaptive Lesion Weighting” 进行自动 DWI 肿瘤分割以提高病理完全缓解（pCR）预测准确性的深度学习模型，并在预治疗期间匹配人类专家在 pCR 预测上的表现，为乳腺癌治疗计划的自动化提供了重要进展。

    Apr, 2024

  • 基于变形 MRI 序列配准的人工智能前列腺癌诊断

    通过使用图像配准算法研究了人工智能诊断算法的影响，发现虽然图像配准显著提高了病变对齐效果，但直接导致诊断准确性的显著提升仍未能得到证实。定性分析表明，同时开发图像配准方法和诊断人工智能算法可以提高诊断准确性和患者预后。

    Apr, 2024

  • 基于差异形式的变换器的腹部 MRI-CT 可变形图像配准

    本文旨在创建一个深度学习框架，能够估计直接配准腹部 MRI 和 CT 图像的变形矢量场（DVF）。该方法以可微分形变为基础，利用从概率可微形变配准模型提取的保持拓扑特征来准确获取腹部运动，并将其用于 DVF 估计。该模型通过将在运动追踪中表现优越的 Swin transformers 集成到卷积神经网络（CNN）中进行形变特征提取。模型运用交叉模态图像相似度损失和表面匹配损失进行优化。计算图像损失时，采用变形 MRI 和 CT 图像之间的模态无关邻域描述符（MIND）。表面匹配损失通过测量 MRI 和 CT 图像的轮廓结构的变形坐标之间的距离来确定。将变形后的 MRI 图像与 CT 图像在目标配准误差（TRE）、Dice 相似系数（DSC）和平均表面距离（MSD）方面进行评估。与仅刚性配准相比，采用该方法的变形图像配准导致肝脏和门静脉的平均 DSC 值分别从 0.850 和 0.628 增加到 0.903 和 0.763，肝脏的平均 MSD 从 7.216 mm 降低到 3.232 mm，TRE 从 26.238 mm 降低到 8.492 mm。基于可微分变换器的提出的可变形图像配准方法为从腹部 MRI-CT 图像对生成精确的 DVF 提供了一种有效和高效的方式，可用于目前的肝脏放射治疗计划流程。

    May, 2024

  • 用于乳腺 MRI 应用的分辨率变换多尺度深度学习配准

    在乳腺手术规划中，通过准确地对患者不同位置的磁共振图像进行注册，可以改善乳腺癌治疗中肿瘤的定位。本文提出了适用于乳腺磁共振图像注册的学习策略，克服了乳腺图像中纹理信息不足和变形需要满足微分同胚约束的困难，同时给出了基于模拟和体内实验的早期实验结果。本文的一个关键贡献是提出的注册网络在乳腺图像的注册中产生了优越的结果，并提供了微分同胚保证。

    Sep, 2023

  • 循环一致卷积神经网络无监督可形变图像配准

    本文介绍了一种基于深度神经网络和循环一致性的非监督医学图像配准方法，通过实验表明该方法能够在几秒钟内提供非常精确的三维图像配准，从而更准确地估计癌症大小。

    Jul, 2019

  • 基于深度学习的快速准确肺癌三维 CT 可变形图像配准

    该研究开发了一种基于视觉转换的非对称自编码器网络，可以从 2D 的 kV 图像中重建出 3D CT 图像，实现了患者定位精度的提高。

    Apr, 2023

  • PD-DWI: 基于生理分解扩散加权 MRI 机器学习模型预测侵袭性乳腺癌新辅助化疗的响应

    使用生理分解 DWI 的机器学习模型 PD-DWI，结合临床数据预测乳腺癌患者的病理完全缓解反应，具有比传统机器学习方法更高的预测精度，可用于减少 mp-MRI 采集时间和消除对比剂注射的需求。

    Jun, 2022

  • 多模态图像配准的弱监督卷积神经网络

    本文提出了一种基于卷积神经网络的方法，借助高水平结构对应信息（即解剖标记）推测像素变化，从而实现多模态图像对齐。结果表明，该方法具有广泛的适用性，可在训练过程中利用各种不同类型的解剖标记，并能实现实时自动化、无需标记或初始化的三维图像对齐。

    Jul, 2018

  • 可变形医学图像配准的无监督学习模型

    本文提出了一种基于学习的算法，用于变形、两两匹配的三维医学图像注册，通过使用卷积神经网络（CNN）模型并利用一个空间变换层，从而实现快速计算新的扫描成像时的配准场，且无需监督信息。我们可以在不破坏匹配场平滑性的前提下，底层地在一张图像中重构另一张图像，并在实践中将其速度提高数个数量级以上，从而有望显著加速医学图像分析和处理管道的速度，同时促进学习医学图像配准及其应用的新方向。

    Feb, 2018

  • 基于深度学习的组间配准用于胶质瘤纵向 MRI 分析

    本研究提出了一种纵向、基于学习的、集群式的 MRI 图像配准方法，可以在不到一分钟的时间内完成高质量的配准，提供了一种替代传统工具箱的新途径，以更准确地量化并了解神经胶质瘤的生长。

    Jun, 2023