结合几何学习与影像信息的无监督对应方法及其在放疗中的应用
计算机视觉与模式识别
2023-09-26 v1 人工智能
摘要
本研究旨在开发一种模型，用于准确识别不同患者器官分割之间的对应点，以应用于放疗。我们在计划 CT 扫描的头部和颈部器官分割上训练了一个用于三维形状同步对应与插值估计的模型。随后，我们通过两种方法将原始模型扩展以纳入影像信息：1) 直接从图像块中提取特征；2) 将块之间的均方误差作为损失函数的一部分。我们使用测地误差、倒角距离和共形畸变度量以及解剖标志点之间的距离来评估对应与插值性能。每个模型产生的对应均显著优于基准非刚性配准方法。原始模型的表现与直接纳入图像特征的模型相似。表现最佳的模型配置将影像信息作为损失函数的一部分，产生了更具解剖合理性的对应。我们将使用表现最佳的模型在器官上识别对应解剖点，以改善空间归一化（这是结果建模中的重要步骤），或作为解剖信息配准的初始化。我们的所有代码已在 https://github.com/rrr-uom-projects/Unsup-RT-Corr-Net 公开。
引用
@article{arxiv.2309.14269,
title = {Unsupervised correspondence with combined geometric learning and imaging for radiotherapy applications},
author = {Edward G. A. Henderson and Marcel van Herk and Andrew F. Green and Eliana M. Vasquez Osorio},
journal= {arXiv preprint arXiv:2309.14269},
year = {2023}
}
备注
Accepted in 3rd Workshop on Shape in Medical Imaging (ShapeMI 2023). This preprint has not undergone peer review or any post-submission improvements or corrections