华南理工大学学报(自然科学版)

作者：刘卫朋, 李旭, 任子文, 祁业东

单位：1.河北工业大学 人工智能学院, 天津 300401；2.河北工业大学 生命科学与健康工程学院, 天津 300401；3.中国医学科学院北京协和医学院生物医学工程研究所, 天津 300192

关键词：深度学习,肺部CT图像,图像配准,无监督学习

基金：国家重点研发计划项目(2020YFB1313703);国家自然科学基金资助项目(62027813);河北省重点研发计划项目(21372003D);河北省自然科学基金资助项目(F2022202054)

肺部4维CT（4D-CT）图像因受到呼吸、心跳的影响而发生较大的形变，肺内的运动尺度可能大于算法用于优化过程的感兴趣结构（血管、气道等），这可能导致配准算法仅对齐了血管、气道等明显特征。针对肺实质轮廓配准后强度差异性较大的问题，文中提出了以无监督端到端深度学习为基础的多尺度残差可变形肺部CT图像配准算法，使用编码器-解码器结构形式的多尺度深度残差网络作为形变向量场的生成模型，以增强特征表达能力，提高参数利用效率和网络收敛能力；通过多分辨率自注意力融合模块提高网络对多尺度信息的感知能力；设计包含特征校正提取模块的跳跃连接，以有选择地提取编码器输出的特征图，并在重新校准后供解码器学习对齐偏移。最后，在Dir-lab公共数据集上采用文中配准算法与传统算法、目前先进的无监督配准算法进行了比较实验。结果表明：所提出的配准算法在Dir-lab公共数据集上的目标配准误差可以达到1.44 mm ± 1.24 mm，优于传统算法和主流的无监督配准算法；在控制体素折叠率小于0.1%的情况下，估计密集变形向量场耗时小于2.00 s，表明文中算法在对时间敏感的肺部研究中有巨大潜力。

来源：2024年第10期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2024年第10期