BriefGPT - AI 论文速递
·
改进可变形图像配准的自适应局部边界条件
💡
原文中文，约600字，阅读约需2分钟。
📝
内容提要
本文介绍了一种用于估计腹部MRI和CT图像变形的深度学习框架。该方法利用可微分形变和拓扑特征提取腹部运动，并通过Swin transformers和CNN进行形变特征提取。实验结果表明，该方法能够提高肝脏放射治疗计划的配准精度。
🎯
关键要点
- 本文介绍了一种用于估计腹部MRI和CT图像变形的深度学习框架。
- 该方法基于可微分形变，提取腹部运动的拓扑特征。
- 模型结合了Swin transformers和卷积神经网络（CNN）进行形变特征提取。
- 优化过程中使用交叉模态图像相似度损失和表面匹配损失。
- 评估指标包括目标配准误差（TRE）、Dice相似系数（DSC）和平均表面距离（MSD）。
- 与刚性配准相比，该方法显著提高了肝脏和门静脉的配准精度。
- 提出的可变形图像配准方法为肝脏放射治疗计划提供了有效的DVF生成方式。
➡️
