基于改进V-Net的脊柱X射线重建CT图像方法

脊柱作为人体支撑的核心要素,对维护身体健康和功能至关重要,手术机器人的出现为复杂脊柱手术提供了一种新的解决方案。但是2D X射线图像只能在有限的投影视图中为机器人系统提供重叠的解剖信息,这意味着它无法直观地显示完整的全视图解剖信息和精确的立体结构,而提供3D图像的术中CT扫描技术又增加了患者和医护人员受到辐射暴露的风险。为了在不增加时间成本且最大程度减少辐射的前提下,能够实时为手术机器人导航和准确定位提供更全面的解剖结构,提出一种用于脊柱X射线重建CT图像的V形卷积注意力网络。所提出的网络通过编码器和解码器之间的任务一致性以减小特征映射之间的语义差异,同时利用通道注意力机制来迫使网络关注重要特征区域,可有效减小冗余特征信息,从而提高网络训练效率。实验得出CT图像中脊柱结构的结构相似性指数(structural similarity index,SSIM)值为0.786,峰值信噪比(peak signal to noise ratio,PSNR)值为34.60 dB,证明通过X射线图像进行精准的3D重建为手术机器人提供图像支持拥有巨大潜力。

基于VV-Net的三维医学图像配准

三维医学图像配准算法被广泛应用于科学研究和随访等医学场景,提高其配准精度具有重要的意义。针对医学图像配准问题,提出一种基于V-Net的V形网络(VV-Net),该配准模型可以通过堆叠V-Net进行端到端的训练。具体的说,移动图像经过两个V-Net依次进行扭曲,使用额外的V-Net为前两个V-Net提供补充信息,共同构成V形网络,使移动图像与固定图像更好的对齐。同时,对提出的模型增加深度监督辅助分支防止过拟合。采用上述渐进配准与信息补充提高配准对之间的配准精度。通过ADNI、ABIDE、ADHD200和OASIS四个数据集评估模型性能。以ADNI数据集为例,所提出的配准方法与仿射变换(Affine)、对称归一化(SyN)以及体素变形(VoxelMorph)比较分别获得24.7%、13.2%以及1.3%的精度提升。实验结果表明,VV-Net在医学图像配准领域取得了良好效果。

基于MSD-Vnet的三维医学图像配准

基于编解码结构的卷积神经网络在医学图像配准中具有巨大的应用优势,但是依然存在不足。基于此,提出一种基于多尺度跳过连接、选择核注意力机制及深度监督V-net(MSD-Vnet)的三维医学图像配准方法。该方法使用多尺度跳过连接提高网络对解剖结构位置信息的定位能力,选择核注意力机制根据输入特征的多个尺度自适应调整感受野大小来提高配准精度,并利用深度监督V-net帮助网络更好地学习来防止过拟合。最后,以戴斯相似性系数(Dice Similarity Coefficient,DSC)为度量指标,在ADNI数据集上对提出的方法进行评估。实验结果表明,与目前流行的方法相比,提出的方法达到了较满意的效果。

多阶段冠状动脉CTA三维分割算法

冠脉血管CTA(computed tomography angiongraphy)的分割是判断血管堵塞的首要一步,也是后续三维重建、定性分析等医学诊断的先决条件。本文提出多阶段方式完成冠状动脉从粗到细逐级分割。为了减少非心脏组织给神经网络训练带来的影响,首先采用基于自适应阈值的方法预提取心脏区域。然后提出以V-net作为基础网络框架的深度全卷积网络,扩大了每一层卷积核的第三维通道,充分利用血管空间连续性,增加了网络学习能力。第一阶段提取的心脏区域结合对应标签作为下阶段全卷积网络的训练数据,来实现精确的冠脉血管分割,最后通过水平集函数迭代优化血管边缘轮廓,得到分割结果。本文提出的方法对血管分割的平均Jaccard达到了0.813,Dice达到了0.903,能够对冠脉CTA进行准确的三维分割。