利用基于卷积神经网络的全无监督可变形图像配准生成拟人化体模
图像与视频处理
2021-04-20 v3 计算机视觉与模式识别
机器学习
摘要
目的：计算机化体模在医学影像研究的各种应用中起着至关重要的作用。尽管现有的计算机化体模可通过器官和体模缩放来建模解剖变异，但这并不能提供完全重现人体中所见解剖变异的方法。然而，拥有一组能够建模患者解剖变异以及在核医学中摄取实现的体模，对于全面的验证和训练至关重要。在本工作中，我们提出了一种新颖的图像配准方法，用于从单一数字体模创建高度解剖细节的拟人化体模。方法：我们提出了一种基于深度学习的配准算法，用于预测将 XCAT 体模变形至患者 CT 扫描的形变参数。该算法针对给定图像对独立优化一种新颖的基于 SSIM 的目标函数，与训练数据无关，因此是真正且完全无监督的。我们在来自 TCIA 的公开可用低剂量 CT 数据集上评估了所提出的方法。结果：将所提出模型的性能与几种最先进的方法进行比较，以 SSIM 衡量超出它们 8% 以上，以 MSE 衡量低于它们 30%。结论：开发了一种基于深度学习的无监督配准方法，用于创建拟人化体模，同时提供可用作建模器官特性基础的“金标准”解剖结构。意义：实验结果证明了所提出方法的有效性。生成的拟人化体模高度逼真。结合对图像形成过程的真实模拟，所生成的体模可用于医学影像研究的许多应用中。
引用
@article{arxiv.1912.02942,
title = {Generating Anthropomorphic Phantoms Using Fully Unsupervised Deformable Image Registration with Convolutional Neural Networks},
author = {Junyu Chen and Ye Li and Yong Du and Eric C. Frey},
journal= {arXiv preprint arXiv:1912.02942},
year = {2021}
}