从组织平面到器官世界：基于深度协注意力网络的多模态生物医学图像配准基准数据集
机器学习
2024-06-07 v1 图像与视频处理
摘要
将神经病理与神经成像发现相关联提供了人类器官从中观到微观尺度的路径学变化的多尺度视图，这是一种预期能为诸多疾病状态提供见解的新兴方法。为了从这种多模态、多尺度方法中获得最大信息，显式确定组织切片在器官内所采样位置，以便就同一器官区域内的组织特征进行相关联具有意义。组织到器官的配准具有额外挑战，因为给定的组织切片只能捕获人类器官的一个小部分。利用最新深度学习模型的能力，我们解决了此类复杂挑战的潜力。因此，我们创建了ATOM基准数据集，来自不同机构，旨在将这一挑战转化为机器学习问题并交付为生物医学界带来突破性成果。我们的RegisMCAN模型性能显示，深度学习有望准确预测从器官图像中提取的子区域是在整个3D体积内获取的。代码和数据可在：https://github.com/haizailache999/Image-Registration/tree/main 找到。
引用
@article{arxiv.2406.04105,
title = {From Tissue Plane to Organ World: A Benchmark Dataset for Multimodal Biomedical Image Registration using Deep Co-Attention Networks},
author = {Yifeng Wang and Weipeng Li and Thomas Pearce and Haohan Wang},
journal= {arXiv preprint arXiv:2406.04105},
year = {2024}
}