面向成人与胎儿超声心动图的多尺度、数据驱动且解剖约束的深度学习图像配准
图像与视频处理
2023-09-12 v2 计算机视觉与模式识别
摘要
时序超声心动图图像配准是心脏运动估计、心肌应变评估和每搏量量化等临床定量的基础。在既往研究中，深度学习图像配准（DLIR）已展现出有前景的结果，且持续准确、精确，所需计算时间更少。我们提出，更加关注变形后浮动图像的解剖合理性与图像质量可支撑稳健的 DLIR 性能。此外，既往实现集中于成人超声心动图，且缺乏针对胎儿超声心动图的 DLIR 实现。我们提出一种在胎儿与成人超声中结合三种 DLIR 策略的框架：（1）解剖形状编码损失，以在变形图像中保持生理性的心肌与左心室解剖拓扑；（2）数据驱动损失，通过对抗训练以在变形图像中保持良好图像纹理特征；（3）数据驱动与解剖约束算法的多尺度训练方案以提升精度。我们的测试表明，良好的解剖拓扑与图像纹理与形状编码及数据驱动对抗损失强相关。它们以非重叠的方式改进配准性能的不同方面，印证了将其结合的合理性。尽管成人及胎儿超声图像存在本质差异，我们表明这些策略利用公开可用的 CAMUS 成人超声数据集与我们的私有多人群胎儿超声数据集，可在成人与胎儿超声心动图中均提供优异的配准结果。我们的方法优于传统非 DL 的金标准配准方法，包括 Optical Flow 与 Elastix。配准改进可转化为更准确、精确的临床心脏射血分数定量，展现出转化潜力。
引用
@article{arxiv.2309.00831,
title = {Multi-scale, Data-driven and Anatomically Constrained Deep Learning Image Registration for Adult and Fetal Echocardiography},
author = {Md. Kamrul Hasan and Haobo Zhu and Guang Yang and Choon Hwai Yap},
journal= {arXiv preprint arXiv:2309.00831},
year = {2023}
}
备注
Our data-driven and anatomically constrained DLIR method's source code will be publicly available at https://github.com/kamruleee51/DdC-AC-DLIR