Resumen

El registro de imágenes es una tarea fundamental en el análisis de imágenes médicas, que se utiliza comúnmente durante las intervenciones guiadas por imágenes y la fusión de datos. En este trabajo, presentamos una arquitectura de aprendizaje profundo para aprender y predecir simétricamente el campo de deformación entre un par de imágenes de forma no supervisada. Para lograrlo, diseñamos una red de regresión profunda para predecir un campo de deformación que se puede utilizar para alinear el par de imágenes plantilla-sujeto. Específicamente, en lugar de estimar el único camino de deformación para alinear las imágenes, aquí, predecimos dos deformaciones a medias, que pueden mover la plantilla original y el sujeto en un espacio pseudomeano simultáneamente. Por lo tanto, en este trabajo entrenamos una red de registro simétrica (S-Net). Utilizando una estrategia simétrica, el registro puede ser más preciso y robusto, especialmente en imágenes con grandes variaciones anatómicas. Además, la suavidad de la deformación también mejora significativamente. Los resultados experimentales han demostrado que el modelo entrenado puede predecir directamente las deformaciones simétricas en nuevos pares de imágenes de diferentes bases de datos, produciendo de forma consistente resultados de registro precisos y robustos.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:imágenes, campo de deformación, red de regresión profunda, grandes variaciones anatómicas, análisis de imágenes médicas, nuevos pares de imágenes, resultados de registro robustos, vía de deformación única, par de imágenes sujeto, red de registro simétrica
• Keywords:images, deformation field, deep regression network, large anatomical variations, medical imaging analysis, new image pairs, robust registration results, single deformation pathway, subject image pair, symmetric registration network