基于深度学习的心脏磁共振图像快速配准方法

图像配准在许多医学图像分析应用中用于跟踪心脏图像中组织的运动，其中心脏运动学可作为组织健康的指标。由于难以创建真实的变换，且可能存在多种变换可产生与目标高度相关的图像，因此图像配准对深度学习算法来说是一个具有挑战性的问题。已提出无监督方法来学习预测有效变换的方法，但这些方法的预测时间显著长于 established baseline 方法。对于深度学习方法要在更广泛的研究和临床环境中实现采纳，应该设计为在常见的中等硬件上运行时间合理。已为图像配准任务提出快速方法，但常使用基于片段的方法，这会影响以心脏这类高度动态器官的配准精度。在本文中，提出一种用于量化心脏应变的快速、三维配准模型。该 proposed Deep Learning Neural Network（DLNN）设计为利用能够实现卷积计算极高效率的体系结构，使模型在进行推断时仅用一小部分时间即可实现与其他 state-of-the-art 模型相似的配准保真度。该提出的快速和轻量级配准（FLIR）模型用于预测组织运动，然后用于量化组织经历的非均匀应变。对于同一患者大约在相同时间所采集的图像，预计测量的应变值之间的差异应非常小。使用此指标，我们展示使用FLIR方法计算的应变值非常一致。