CDIDN：一种具有高形变阻抗能力的肺病灶动态长期跟踪配准模型
计算机视觉与模式识别
2023-05-25 v2
摘要
我们从一新视角——对 CT 图像形变量的敏感性——研究医学 CT 图像配准问题。尽管一些基于学习的方法在平均精度上表现成功，但其处理局部大形变（LLD）区域的能力相较处理微小形变区域可能显著下降，这促使我们研究该问题。LLD 的两主因是器官运动与组织结构变化，后者常为长期过程。本文提出称为级联扩张层间差分网络（CDIDN）的新配准模型，其兼具高形变阻抗能力（DIC）与精度。CDIDN 通过增强位移场（DF）中的 LLD 来提升对 CT 图像 LLD 的鲁棒性；其采用基于特征的 LLD 渐进式分解，以自顶向下方式将不同层级特征流融合入主流。它在各层利用层间差分模块（IDM）局部细化主流并全局平滑特征流，且集成可有效处理不同程度特征形变的特征速度场。我们以肺为代表大形变器官评估 CDIDN，结果表明 IDM 显著增强 DF 的 LLD，从而提升模型 DIC 与精度；相较其他优秀基于学习的方法，CDIDN 展现最佳 DIC 与优异精度。基于血管增强与 DF 的 LLD 增强，我们提出准确跟踪肺病灶出现、消失、增大与缩小的新方法，有效解决早期病灶与周围肺病灶检测及病灶假增大、假缩小与残缺问题。
引用
@article{arxiv.2305.11024,
title = {CDIDN: A Registration Model with High Deformation Impedance Capability for Long-Term Tracking of Pulmonary Lesion Dynamics},
author = {Xinyu Zhao and Sa Huang and Wei Pang and You Zhou},
journal= {arXiv preprint arXiv:2305.11024},
year = {2023}
}