PET/CT 多模态仿射配准的无监督学习
图像与视频处理
2024-09-24 v1
摘要
仿射配准在 PET/CT 成像中起着至关重要的作用，由于 PET 和 CT 图像分别代表功能和解剖信息，将两者对齐具有挑战性。尽管最近基于深度学习（DL）的方法在各种医学成像应用中显示出了巨大的前景，但它们在多模态 PET/CT 仿射配准中的应用仍然相对未被探索。本研究探讨了一种用于 PET/CT 仿射配准的基于 DL 的方法。我们引入了一种利用 Parzen 窗近似相关比的新方法，该方法作为在多模态配准中训练 DNN 的图像相似度度量。此外，我们提出了一种多尺度、实例特定的优化方案，该方案在多个图像分辨率上迭代地细化 DNN 生成的仿射参数。我们使用带有合成仿射变换的大型公开 FDG-PET/CT 数据集，将我们的方法与广泛使用的互信息度量以及 ANTs 包中一种流行的基于优化的技术进行了评估。我们的方法实现了 0.870 的平均 Dice 相似系数（DSC），优于所比较的方法，并证明了其在多模态 PET/CT 图像配准中的有效性。
引用
@article{arxiv.2409.13863,
title = {Unsupervised Learning of Multi-modal Affine Registration for PET/CT},
author = {Junyu Chen and Yihao Liu and Shuwen Wei and Aaron Carass and Yong Du},
journal= {arXiv preprint arXiv:2409.13863},
year = {2024}
}
备注
Accepted by IEEE NSS/MIC/RTSD'24 ((c) IEEE). Code available at https://github.com/junyuchen245/Correlation_Ratio