文献类型：期刊文章

作　　者：王毅[1] 田梨梨[1] 程欣宇[1] 王丽会[1]

WANG Yi;TIAN Li-Li;CHENG Xin-Yu;WANG Li-Hui(Key Laboratory of Intelligent Medical Image Analysis and Precise Diagnosis of Guizhou Province,College of Computer Science and Technology,Guizhou University,Guiyang 550025,China)

机构地区：[1]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

出　　处：《计算机系统应用》

基　　金：国家自然科学基金(62161004);中法蔡元培项目(N.41400TC);贵州省科技计划(ZK[2021]Key 002,[2018]5301)。

年　　份：2022

卷　　号：31

期　　号：8

起止页码：46-54

语　　种：中文

收录情况：IC、JST、ZGKJHX、普通刊

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.

关 键 词：卷积神经网络  医学图像配准 QSM  残差融合  图像处理  

分 类 号：R445] TP391.41]