基于变形 MRI 序列配准的人工智能前列腺癌诊断
该研究提出了一种弱监督的 MRI 和组织病理学图像的仿射和可变形配准方法,用于早期检测前列腺癌,可以减轻需要前列腺分割的负担,并取得了比其他方法更高的准确度。
Jun, 2021
该研究提出了使用对抗学习的方法,在代替传统的位移平滑测量方法的同时,利用生物力学模拟来规范弱监督的标签驱动的图像配准网络,以配准前期磁共振成像(MRI)和三维术中经直肠超声成像(TRUS)。研究表明,该方法可以帮助预测具有物理合理性的变形,而不需要用到其他平滑度惩罚。
May, 2018
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
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。
Jan, 2024
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
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
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
通过使用多目标优化方法和双动态网格变换等技术,本文提出了一种解决医学图像中大幅度变形和内容不匹配问题的多目标三维变形图像配准方法,并实现了良好的效果。
Feb, 2022
在医疗应用中,我们提出了一种新的基于策略学习的 3D 图像配准方法,该方法通过深度 CNN 学习最优运动序列来实现图像对齐,该方法在两个医疗图像配准实验中表现出比现有方法更高的准确性和鲁棒性。
Nov, 2016