May, 2024

基于差异形式的变换器的腹部 MRI-CT 可变形图像配准

PDF
TL;DR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。
deep learning frameworkdeformation vector field estimationabdominal mri-ct registrationswin transformersdeformable image registration
发现论文，激发创造
  • 网格与体素结合：基于差形变形的腹部器官分割

    本文提出了一种新的、基于 UNetFlow 的异形形状变形方法，用于三维腹部器官提取，与现有方法相比，具有更高的准确性和拓扑正确性，可以广泛应用于 CT 和 MRI 数据分析。

    Jun, 2023

  • 生成对抗网络用于 MR-CT 可变形图像配准

    本研究通过用 cycle-GAN 学习两个模态之间的强度关系，改善了 CT 和 MR 图像的配准问题，并探讨了使用 cycle-GAN 合成的图像减少空间信息对模式对位的影响。

    Jul, 2018

  • 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

  • TransMorph: 无监督医学图像配准的 Transformer 模型

    本文提出了 TransMorph，一种混合了 Transformer-ConvNet 模型的医学图像配准方法，并通过验证证明，该方法在医学图像配准方面性能显著优于基线方法，从而证实了 Transformer 在医学图像配准方面的有效性。

    Nov, 2021

  • 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

  • 可变形图像配准的高斯表示

    采用参数化的三维高斯控制点的变形图像配准方法，在计算效率、配准精度和速度之间取得了更好的平衡，通过局部插值转换，实现了对三维体积医学图像之间的空间变形场进行明确灵活的表示，进而在后向传播的统一优化过程中迭代学习了三维高斯和其变换的参数，取得了在精度和效率方面的显著进展。

    Jun, 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

    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

  • 学习可微同构配准的概率模型

    提出了一种基于概率的低维形变模型，可用于图像配准和形变分析，具有对比形变、生成正常或病态形变的能力，以及在多种图像对之间传输形变的能力。在三维心脏 Cine-MRIs 上的实验结果显示出本方法目前显示了最先进的性能。

    Dec, 2018

  • FSDiffReg：基于特征和分数的扩散引导无监督可变形图像配准方法应用于心脏图像

    通过使用扩散模型的多尺度语义特征来引导变形场的生成，以及使用扩散得分来引导优化过程，本研究证实了模型在 3D 医学心脏图像注册任务中有效提供保留拓扑的改进型变形场的能力。

    Jul, 2023

  • 无边界约束的基于生物力学模型的术中肝脏变形校正的表面匹配

    本研究介绍了一种基于 3D-3D 非刚性配准的图像引导肝脏手术方法，采用有限元模型 (FEM) 作为生物力学模型，在表面匹配项中独特地整合 FEM，确保估算的变形在配准过程中保持几何一致性。此方法通过将软弹簧整合到刚度矩阵中，允许力分布于整个肝脏表面，消除了确定 FEM 中零边界条件和施加力位置的需求。我们还引入了基于力量梯度的正则化技术，强加了空间平滑性，以防止术中数据中的不规则噪音过拟合。通过加速修正梯度算法进行优化，进一步通过我们提出的确定最佳步长的方法来增强效果。该方法在自定义开发的模拟实验和两个公开数据集上进行了评估和比较，始终优于或与基准技术相当。代码和数据集将公开提供。

    Mar, 2024