RS-MOCO: 一种基于深度学习的拓扑保持图像配准方法用于心脏T1 mapping
计算机视觉与模式识别
2024-10-16 v1 人工智能
机器学习
摘要
心脏T1 mapping可以评估心肌组织的各种临床症状。然而，目前缺乏有效、稳健且高效的心脏T1 mapping运动校正方法。在本文中，我们提出了一种基于深度学习的拓扑保持图像配准框架，用于心脏T1 mapping的运动校正。值得注意的是，我们提出的隐式一致性约束（称为BLOC）通过双向一致性约束和局部抗折叠约束在一定程度上保持了配准中的图像拓扑。为了解决对比度变化问题，我们引入了一种加权图像相似性度量，用于心脏T1加权图像的多模态配准。此外，一个半监督心肌分割网络和一个双域注意力模块被集成到框架中，以进一步提高配准性能。大量的对比实验以及消融研究证明了我们方法的有效性和高鲁棒性。结果还表明，专门为我们的网络设计的加权图像相似性度量对运动校正效果的增强贡献很大，而双向一致性约束与局部抗折叠约束相结合确保了更理想的拓扑保持配准映射。
引用
@article{arxiv.2410.11651,
title = {RS-MOCO: A deep learning-based topology-preserving image registration method for cardiac T1 mapping},
author = {Chiyi Huang and Longwei Sun and Dong Liang and Haifeng Liang and Hongwu Zeng and Yanjie Zhu},
journal= {arXiv preprint arXiv:2410.11651},
year = {2024}
}