基于渐进对齐和多视角损失的Long-COVID多模态可形变图像配准
图像与视频处理
2024-06-24 v1 计算机视觉与模式识别
摘要
Long COVID 以持续症状为特征，尤其表现为肺部功能受损，这需要先进的成像技术进行准确诊断。顺磁性氙-129 MRI (XeMRI) 提供了可视化肺部通气、血流和气体传递的前景。将 XeMRI 的功能数据与计算机断层扫描 (CT) 的结构数据集成对于综合分析和有效制定治疗策略至关重要，需要精准地对来自这些互补成像模态的数据进行对齐。为此，CT-MRI 配准是一个关键中间步骤，由于直接对齐 CT 和 Xe-MRI 面临重大挑战。因此，我们提出了一种端到端的多模态可形变图像配准方法，为将长 COVID 肺部 CT 与肺部密度 MRI (pMRI) 数据实现卓越的对齐性能。此外，我们的方法包含一种新型的多视角损失 (MPL) 函数，使其能够适应单模态配准的最先进深度学习方法以执行多模态任务。配准结果实现了 Dice 系数为 0.913，显著优于现有最先进的多模态图像配准技术。由于 XeMRI 和 pMRI 图像在同一检查中获取且可大致对齐，我们的结果有助于随后进行 XeMRI 与 CT 之间的配准，从而可能有助于长 COVID 管理的临床决策。
引用
@article{arxiv.2406.15172,
title = {Multimodal Deformable Image Registration for Long-COVID Analysis Based on Progressive Alignment and Multi-perspective Loss},
author = {Jiahua Li and James T. Grist and Fergus V. Gleeson and Bartłomiej W. Papież},
journal= {arXiv preprint arXiv:2406.15172},
year = {2024}
}