医学图像中自动 landmarks 对应检测及其在可变形图像配准中的应用
计算机视觉与模式识别
2023-02-28 v2
摘要
目的：可变形图像配准（DIR）可借助图像中对应 landmarks 的额外引导而获益。然而，其益处很大程度上未被充分研究，尤其是由于缺乏针对三维（3D）医学图像的自动 landmark 检测方法。方法：我们提出一种称为 DCNN-Match 的深度卷积神经网络（DCNN），它以自监督方式学习预测 3D 图像中的 landmark 对应关系。我们在包含模拟形变的计算机断层扫描（CT）图像对上训练 DCNN-Match。我们探索了使用不同损失函数的五种 DCNN-Match 变体，并评估了它们对预测 landmarks 的空间密度及相关匹配误差的影响。我们还将 DCNN-Match 变体与开源配准软件 Elastix 结合使用，以评估预测 landmarks 对为 DIR 提供额外引导的影响。结果：我们在宫颈癌患者的下腹部 CT 扫描上测试了我们的方法：121 对包含模拟形变，11 对展现临床形变。结果显示，当使用 DCNN-Match 预测的 landmark 对应关系时，DIR 性能在模拟形变（p = ）和临床形变（p = 0.030）情况下均有显著提升。我们还观察到自动 landmarks 相对于底层形变的空间密度会影响 DIR 的改善程度。最后，发现 DCNN-Match 无需重新训练即可泛化到磁共振成像（MRI）扫描，表明其易于应用于其他数据集。结论：DCNN-Match 以自监督方式学习预测 3D 医学图像中的 landmark 对应关系，从而可改善 DIR 性能。
引用
@article{arxiv.2109.02722,
title = {Automatic Landmarks Correspondence Detection in Medical Images with an Application to Deformable Image Registration},
author = {Monika Grewal and Jan Wiersma and Henrike Westerveld and Peter A. N. Bosman and Tanja Alderliesten},
journal= {arXiv preprint arXiv:2109.02722},
year = {2023}
}
备注
accepted paper in the Journal of Medical Imaging