前列腺 MRI 与组织病理学图像的弱监督配准
图像与视频处理
2021-06-24 v1
摘要
由于癌组织与正常组织之间差异细微，前列腺 MRI 的解读在不同放射科医生间一致性较低。图像配准通过将手术组织病理学图像上的真实癌症标签精确映射到 MRI 上来解决此问题。通过图像配准获得的癌症标签可用于训练深度学习模型以早期检测前列腺癌，从而改善放射科医生对 MRI 的解读。当前自动配准方法的一个主要局限是它们需要手动前列腺分割，这是一项耗时且易出错的工作。本文提出一种无需前列腺分割的 MRI 与组织病理学图像的仿射及可变形弱监督配准方法。我们使用手动前列腺分割和单模态合成图像对来训练配准网络，以对齐前列腺边界和局部前列腺特征。尽管在网络训练期间使用了前列腺分割，但在推理时对未见图像进行配准并不需要此类分割。我们使用来自内部队列的 135 名和 10 名患者分别训练和验证配准网络。我们使用内部队列的 16 名患者和外部队列的 22 名患者测试了方法性能。结果表明，我们的弱监督方法比在不使用前列腺分割情况下运行的 SOTA 方法实现了显著更高的配准精度。我们的深度学习框架将通过免除对前列腺分割的需求来简化 MRI 与组织病理学图像的配准。
引用
@article{arxiv.2106.12526,
title = {Weakly Supervised Registration of Prostate MRI and Histopathology Images},
author = {Wei Shao and Indrani Bhattacharya and Simon J. C. Soerensen and Christian A. Kunder and Jeffrey B. Wang and Richard E. Fan and Pejman Ghanouni and James D. Brooks and Geoffrey A. Sonn and Mirabela Rusu},
journal= {arXiv preprint arXiv:2106.12526},
year = {2021}
}
备注
Accepted to MICCAI 2021