用于图像到模板刚性配准的基于测地线损失的实时深度姿态估计

为了扩大捕获范围并加速最先进的个体间和个体到模板 3D 配准的性能，我们提出了基于深度学习的方法，这些方法经过训练，能够基于医学图像的切片或体素寻找任意取向的受试者或解剖结构的 3D 位置。为此，我们提出了回归 CNN，利用图像特征学习预测 3D 旋转和平移的角轴表示。我们使用并比较了均方误差和测地线损失来训练用于两种不同场景下 3D 姿态估计的回归 CNN：切片到体素配准和体素到体素配准。我们的结果表明，在适用于学习的此类配准应用中，所提出的具有测地线损失最小化的深度学习方法能够在实时（<100ms）内以宽捕获范围获得准确结果。我们还在扩大的年龄范围以及具有相似和不同 MR 图像对比度的新生儿受试者图像上测试了训练好的 CNN 的泛化能力。我们在 T2 加权胎儿脑部 MRI 扫描上训练了我们的模型，并用它们基于 T1 加权 MRI 扫描预测新生儿大脑的 3D 姿态。我们表明，当我们通过条件生成对抗网络进行图像对比度迁移时，训练好的模型对新领域具有良好的泛化能力。这表明，训练好的深度回归 CNN 的应用领域可以进一步扩展到训练中未使用的图像模态和对比度。我们将所提出的方法与加速的基于优化的配准算法相结合，可以极大地提升未来自动成像设备和图像处理方法的性能。