基于生物力学训练的深度神经网络在非结构化节点上的前列腺运动建模
机器学习
2020-07-10 v1 图像与视频处理
机器学习
摘要
在本文中，我们提出利用生物力学模拟训练深度神经网络，以预测超声引导介入过程中遇到的前列腺运动。在该应用中，从分割的术前 MR 图像中采样非结构化点来表示感兴趣的解剖区域。随后为点集分配点特异的材料属性与位移载荷，形成无序的输入特征向量。可训练一个适配的 PointNet 来预测节点位移，使用有限元（FE）模拟作为真值数据。此外，验证了一种通用的自助聚合（bootstrap aggregating）机制，以适应因不同患者几何结构导致的可变数量特征向量，该机制由训练时自助采样与模型平均推断组成。这从而在不需特定受试者实体网格划分的情况下，实现对 FE 解的快速且准确的近似。基于来自 320 名患者的临床影像数据上的 160,000 次非线性 FE 模拟，我们证明所训练的网络可泛化到直接从留出患者分割中采样的非结构化点集，产生近实时推断与预测的节点位移中 0.017 mm 的期望误差。
引用
@article{arxiv.2007.04972,
title = {Prostate motion modelling using biomechanically-trained deep neural networks on unstructured nodes},
author = {Shaheer U. Saeed and Zeike A. Taylor and Mark A. Pinnock and Mark Emberton and Dean C. Barratt and Yipeng Hu},
journal= {arXiv preprint arXiv:2007.04972},
year = {2020}
}
备注
Accepted to MICCAI 2020