典型文献
基于残差融合网络的定量磁敏感图像与T1加权图像配准
文献摘要：
医学图像配准对医学图像处理和分析至关重要,由于定量磁敏感图像(quantitative susceptibility mapping,QSM)与T1加权图像的灰度、纹理等信息存在较大的差异,现有的医学图像配准算法难以高效精确地完成两者配准.因此,本文提出了一个基于残差融合的无监督深度学习配准模型RF-RegNet(residual fusion registration network,RF-RegNet).RF-RegNet由编解码器、重采样器以及上下文自相似特征提取器3部分组成.编解码器用于提取待配准图像对的特征和预测两者的位移矢量场(displacement vector field,DVF),重采样器根据估计的DVF对浮动QSM图像重采样,上下文自相似特征提取器分别用于提取参考T1加权图像和重采样后的QSM图像的上下文自相似特征并计算两者的平均绝对误差(mean absolute error,MAE)以驱动卷积神经网络(convolutional neural network,ConvNet)学习.实验结果表明本文提出的方法显著地提高了 QSM图像与T1加权图像的配准精度,满足临床的配准需求.
文献关键词：
卷积神经网络;医学图像配准;QSM;残差融合;图像处理
中图分类号：
作者姓名：
王毅;田梨梨;程欣宇;王丽会
作者机构：
贵州大学计算机科学与技术学院贵州省智能医学影像分析与精准诊断重点实验室,贵阳550025
文献出处：
引用格式：
[1]王毅;田梨梨;程欣宇;王丽会-.基于残差融合网络的定量磁敏感图像与T1加权图像配准)[J].计算机系统应用,2022(08):46-54
A类：
DVF
B类：
残差融合,融合网络,定量磁敏感图,加权图,医学图像配准,医学图像处理,quantitative,susceptibility,mapping,QSM,灰度,无监督深度学习,RF,RegNet,residual,fusion,registration,network,编解码器,重采样,采样器,上下文,自相似,器用,位移矢量,矢量场,displacement,vector,field,据估计,浮动,平均绝对误差,mean,absolute,error,MAE,convolutional,neural,ConvNet,法显,配准精度
AB值：
0.324658
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
