利用放射组学特征分析实现自动化 MRI 关键点检测：增强图应用
图像与视频处理
2023-12-01 v1 计算机视觉与模式识别
摘要
图神经网络（GNN）在某些图像处理应用中作为 CNN 和 transformer 的一种有前景的替代方案，因其在建模空间关系时的参数高效性。目前，一个主要的研究方向涉及将非图输入数据转换为适用于基于 GNN 的模型，特别是在数据源自图像的情景中。一种方法是通过识别图像中的显著关键点将图像转换为节点。Super-Retina 是一种半监督技术，已用于检测视网膜图像中的关键点。然而，其局限性在于依赖一小部分初始真值关键点，并逐步扩展以检测更多关键点。在使用 SIFT 和 LoFTR 检测脑图像中一致初始关键点遇到困难后，我们提出了一种新方法：基于放射组学特征的关键点检测。通过展示所检测关键点在由这些关键点引导的配准过程中提升效果，证明了其解剖学意义。随后，这些关键点被用作关键点检测方法（LK-SuperRetina）的真值。此外，本研究展示了 GNN 在图像匹配中的应用，突出了其在良好匹配数量和置信度分数方面的优越性能。本研究为将 GNN 应用扩展至多种其他应用奠定了基础，包括但不限于图像分类、分割与配准。
引用
@article{arxiv.2311.18281,
title = {Utilizing Radiomic Feature Analysis For Automated MRI Keypoint Detection: Enhancing Graph Applications},
author = {Sahar Almahfouz Nasser and Shashwat Pathak and Keshav Singhal and Mohit Meena and Nihar Gupte and Ananya Chinmaya and Prateek Garg and Amit Sethi},
journal= {arXiv preprint arXiv:2311.18281},
year = {2023}
}