XiaoMi-AI文件搜索系统
World File Search SystemLPBA40
![arXiv:2002.06468v1 [eess.IV] 2020 年 2 月 15 日](/simg/7\777499bdbfc6571bf7c9699107ab07bc006666e7.webp)
arXiv:2002.06468v1 [eess.IV] 2020 年 2 月 15 日
近期，深度学习技术在医学图像配准中的应用与传统技术相比，大幅减少了配准时间并逐步提高了配准精度。大多数基于学习的配准方法将此任务视为单向问题。因此，仅考虑从运动图像到目标图像的对应关系。然而，在某些医疗程序中，需要执行双向配准。与其他基于学习的配准不同，我们提出了一种具有逆一致性的配准框架。所提出的方法以无监督的方式同时学习前向变换和后向变换。我们在公开的 LPBA40 MRI 数据集上对该方法进行训练和测试，并证明其比基线配准方法具有更强的性能。
边缘感知的金字塔可变形网络，用于大脑的无监督注册MR图像
可变形图像注册对于临床诊断，治疗计划和手术导航至关重要。但是，大多数现有的注册解决方案都需要在可变形注册之前单独的刚性对准，并且可能无法满足较大的变形情况。我们提出了一个新型的边缘感知金字塔变形网络（称为EPREG），用于无监督的体积登记。特别是，我们建议从多级特征金字塔中充分利用有用的互补信息，以预测多尺度的位移场。这样的粗到细节估计促进了预测的注册场的进行性重新确定，这使我们的网络能够处理体积数据之间的大变形。此外，我们将边缘信息与原始图像作为双输入集成在一起，从而增强了图像内容的纹理结构，以促使所提出的网络额外注意以进行结构对齐的边缘感知信息。在包括MindBoggle101，LPBA40和IXI30在内的三个公共大脑MRI数据集上对我们的EPREG的效率进行了广泛的评估。实验证明，相对于骰子指数（DSC），Hausdorff距离（HD）和平均对称的表面距离（ASSD）的指标，我们的EPREG始终优于几种尖端方法。提出的EPREG是解决可变形体积登记问题的一般解决方案。
NPBDREG：使用基于非参数贝叶斯深度学习的方法进行微分同胚脑 MRI 配准中的不确定性评估
基于深度神经网络 (DNN) 的图像配准算法中的不确定性量化在图像配准算法用于临床应用（例如手术规划、术中指导、病情进展或治疗效果的纵向监测）以及面向研究的处理流程中起着至关重要的作用。当前用于基于 DNN 的图像配准算法中不确定性估计的方法可能会导致次优临床决策，因为对于假设的配准潜在空间参数分布的配准词干的不确定性估计可能不准确。我们引入了 NPBDREG，这是一种完全非参数贝叶斯框架，用于基于 DNN 的可变形图像配准中的不确定性估计，它结合了 Adam 优化器和随机梯度朗之万动力学 (SGLD)，通过后验采样来表征底层后验分布。因此，它有可能提供与分布外数据的存在高度相关的不确定性估计。我们使用来自四个公开数据库（MGH10、CMUC12、ISBR18 和 LPBA40）的 390 个图像对，证明了 NPB-DREG 与基线概率 VoxelMorph 模型 (PrVXM) 相比在脑部 MRI 图像配准方面的附加值。NPBDREG 显示预测不确定性与分布外数据的相关性更好（r > 0.95 vs. r < 0.5），并且配准准确度提高了 ∼ 7.3%（Dice 分数，0.74 vs. 0.69，p ≪ 0.01），配准平滑度提高了 ∼ 18%（变形场中的褶皱百分比，0.014 vs. 0.017，p ≪ 0.01）。最后，与基线 PrVXM 方法相比，NPBDREG 对受混合结构噪声破坏的数据表现出更好的泛化能力（Dice 得分为 0.73 对 0.69，p≪0.01）。