脊柱 CT/MRI 的弱监督生物力学约束配准
图像与视频处理
2022-05-17 v1 计算机视觉与模式识别
机器学习
摘要
CT 与 MRI 是脊柱诊断与治疗规划中信息量最大的两种模态。CT 在分析骨性结构时有用，而 MRI 提供软组织信息。因此，融合两种模态的信息大有裨益。配准是该融合的第一步。尽管椎体周围软组织可变形，每个椎体被约束为刚性运动。我们提出一种弱监督深度学习框架，在最大化配准精度的同时保持每个椎体的刚性与体积。为实现此目标，我们引入解剖感知损失用于训练网络。我们专门设计这些损失仅依赖于 CT 标签图，因为 CT 中自动椎体分割相较 MRI 结果更精确。我们在一个包含 167 名患者的内部数据集上评估了该方法。结果表明，加入解剖感知损失提升了推断变换的合理性，且精度不受影响。
引用
@article{arxiv.2205.07568,
title = {Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine},
author = {Bailiang Jian and Mohammad Farid Azampour and Francesca De Benetti and Johannes Oberreuter and Christina Bukas and Alexandra S. Gersing and Sarah C. Foreman and Anna-Sophia Dietrich and Jon Rischewski and Jan S. Kirschke and Nassir Navab and Thomas Wendler},
journal= {arXiv preprint arXiv:2205.07568},
year = {2022}
}
备注
10 pages, 3 figures