基于多尺度约束的大形变3D医学图像配准
摘要
医学图像配准是将不同医学图像的空间对应点进行对齐的空间变换过程。现有的医学图像配准算法在大形变医学图像配准方面存在配准精度低、泛化性能差等问题，为此，本课题组结合卷积注意力机制（CBAM）的细节信息提取能力，设计了并行多尺度卷积MK（multi-kernel）模块，提出了基于多尺度约束的大形变3D医学图像配准网络（MC-Net），设计了从低分辨率到高分辨率逐层优化的策略，实现了对大形变医学图像的精准配准。实验结果表明：MC-Net在OASIS、LPBA40和Abdomen CT-CT这三个不同器官、不同模态的3D数据集上的配准精度均优于对比模型，其在LPBA40数据集上测试的运行时间为0.363 s，Dice系数可达0.822，95%豪斯多夫距离为6.126。这些结果证明了MC-Net在大形变医学图像配准中的有效性，在医学影像学领域具有较高的应用价值。
引用本文（GB/T 7714）
沈瑜 Shen Yu, 魏子易 Wei Ziyi, 严源 Yan Yuan, 等. 基于多尺度约束的大形变3D医学图像配准[J]. Chinese Journal of Lasers, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。