基于先验嵌入的空间-时间神经表示学习：用于患者个体化成像研究的 ST-NeRP
图像与视频处理
2024-10-28 v1 人工智能
计算机视觉与模式识别
摘要
治疗期间及治疗后常规使用影像学手段来监测疾病进展并评估治疗反应。尽管其重要性已久，但可靠地从患者特定图像序列中捕捉和预测空间-时间解剖变化具有一定挑战。因此，开发一种计算框架对于诸多实际应用而言极具吸引力。在此背景下，我们提出了一种基于先验嵌入的空间-时间神经表示学习策略（ ST-NeRP ），用于患者个体化成像研究。我们的策略涉及利用隐式神经表示（ INR ）网络将参考时间点的图像编码为先验嵌入。随后，通过另一个 INR 网络学习空间-时间连续变形函数。该网络使用整个患者特定图像序列进行训练，从而在 various target time points 预测变形场。通过将 ST-NeRP 模型应用于多样化的序列图像系列，包括 4D CT 和纵向 CT 数据集（针对胸腔和腹部成像），展示了该模型的有效性。所提出的 ST-NeRP 模型在患者治疗过程中监测解剖变化方面展现出巨大的潜力。
引用
@article{arxiv.2410.19283,
title = {ST-NeRP: Spatial-Temporal Neural Representation Learning with Prior Embedding for Patient-specific Imaging Study},
author = {Liang Qiu and Liyue Shen and Lianli Liu and Junyan Liu and Yizheng Chen and Lei Xing},
journal= {arXiv preprint arXiv:2410.19283},
year = {2024}
}
备注
14 pages with 10 figures and 6 tables