基于多目标深度学习与 MOREA 的生物力学可变形图像配准
计算机视觉与模式识别
2025-01-29 v1 人工智能
神经与进化计算
摘要
在为具有大变形和内容不匹配的图像选择可变形图像配准（DIR）方法时，所找到变换的真实性通常需要与所需的运行时间进行权衡。使用深度学习（DL）技术的 DIR 方法在即时预测变换方面展现出了显著的前景。然而，在困难的配准问题上，这些变换的真实性可能不足。使用生物力学有限元建模（FEM）技术的 DIR 方法可以找到更真实的变换，但往往需要长得多的运行时间。这项工作提出了结合两者的首个混合方法，旨在兼得两者的优势。这种称为 DL-MOREA 的混合方法，将最近引入的一种利用 VoxelMorph 框架的基于多目标 DL 的 DIR 方法（称为 DL-MODIR），与 MOREA 相结合。MOREA 是一种基于进化算法的多目标 DIR 方法，其中使用了类 FEM 的生物力学网格变换模型。在我们提出的混合方法中，DL 结果被用于智能地初始化 MOREA，旨在更高效地优化其网格变换模型。我们在捕捉 15 名宫颈癌患者膀胱充盈度巨大差异的 CT 扫描对上，将 DL-MOREA 与其组件 DL-MODIR 和 MOREA 进行了经验性比较。MOREA 需要 45 分钟的中位运行时间，而 DL-MOREA 在 5 分钟后就已经能找到高质量的变换。与 DL-MODIR 的变换相比，DL-MOREA 找到的变换表现出少得多的折叠，并改善或保持了膀胱轮廓的距离误差。
引用
@article{arxiv.2501.16525,
title = {Multi-Objective Deep-Learning-based Biomechanical Deformable Image Registration with MOREA},
author = {Georgios Andreadis and Eduard Ruiz Munné and Thomas H. W. Bäck and Peter A. N. Bosman and Tanja Alderliesten},
journal= {arXiv preprint arXiv:2501.16525},
year = {2025}
}
备注
Pre-print for the SPIE Medical Imaging: Image Processing Conference