基于 PCA 的预处理与不同 CNN 结构对超声图像可变形配准的影响
计算机视觉与模式识别
2023-01-24 v1 机器学习
摘要
中心静脉导管（CVC）通常插入颈部大静脉中，例如颈内静脉（IJV）。CVC 置入可能导致严重并发症，如误入动脉或穿破颈部血管。若在能可靠识别静脉和动脉等解剖标志的情况下，在超声引导下行 CVC 置入是减少此类不良事件的恰当方法。该任务应通过患者个体图像与解剖标注参考图像的配准来解决。本工作中，对颈部超声图像先进行线性仿射变换，再进行非线性变换以实现更精确的配准。使用 Voxelmorph（VM）——一个基于学习的、采用带 U-Net 结构的卷积神经网络（CNN）的可变形图像配准库——进行非线性变换。我们视觉上和定量地考察了基于主成分分析（PCA）的患者个体图像预去噪，以及具有不同复杂度的改进网络结构对配准结果的影响，后者采用形变与图像相似性度量。使用 PCA 近似的颈部超声图像相较于原始图像，根据网络结构不同，平均形变长度降低了 18% 至 66%。此外，减少卷积层数量在 PCA 图像上改善了图像相似性，而在原始图像上则使相似性变差。尽管网络参数大幅减少，未观察到配准质量整体下降，由此得出结论：原网络结构对于当前任务而言过大。
引用
@article{arxiv.2301.08802,
title = {Impact of PCA-based preprocessing and different CNN structures on deformable registration of sonograms},
author = {Christian Schmidt and Heinrich Martin Overhoff},
journal= {arXiv preprint arXiv:2301.08802},
year = {2023}
}
备注
8 pages, 7 figures Presented at WSCG 2022