【文献】Predicting Silice-to-Volume Transformation in Presence of Arbitrary Subject Motion

最新推荐文章于 2024-03-11 15:23:15 发布

原创

最新推荐文章于 2024-03-11 15:23:15 发布 · 557 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#图像配准 #slice to volume Net #卷积神经网络

本文提出了一种使用Fibonacci sphere sampling的卷积神经网络（SVRNet），用于在存在任意对象运动的情况下预测切片到体积转换。数据集由三维体生成，网络设计包括多损失输出，以避免过拟合。通过SVRNet的预测结果，结合迭代的图像强度运动补偿方法，重建高分辨率的3D运动自由体积。该方法无需良好的切片阵列初始位置，提高了3D重建的准确性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

【Method】

数据集生成：

用来训练和验证的slices由n个三维体Ω产生。每个volume包含一个期望的ROI，集中在原点并且重采样成长度为L的立方体体素，间隔1x1x1 mm。L/4 采样平面，间隔4mm并且尺寸为LxL，在Z轴上均匀分布。位于Ω末端的slices可能包含很少或者没有包含这些内容。如果一个特别的slice的方差低于阈值t，那么将会被忽略掉。

为了获得密集的slices，围绕原点保持volume静止旋转采样平面。理想中所有的转动排列应该是在单位球表面随机并且均匀的。极坐标均匀采样，使得密集采样接近极点，会导致训练样本的不平衡。因此我们使用Fibonacci sphere sampling，允许每一个点代表相同区域的近似。采样法线可以通过P计算出来。

根据对称性，仅仅需要计算出一半的球体采样。

Ground Truth Labels：

Ti可以代表Euler angles或者Quaternions。正如Huynh文章中提到的3D旋转距离函数的详细分析，我们因此将他们应用在旋转参数回归的自定义loss layers中。我们评估了这些选项，发现笛卡尔锚点方法能够获得最高的精确度。选择这个方法。只要位于所有ω范围当中，锚点可以任意选择。

在文章实验中，选择了ωi的中心，pc(0,0,z)和两个角点pl,pr pl=pc+(-L/2,-L/2,0) pr = pc+(L/2,-L/2,0)。将旋转也算上，每个点进一步乘旋转矩阵R得到世界坐标的最终位置。每个ω因此可以9个参数描述：pc(x,y,z),pl(x,y,z),pr(x,y,z)这样选择的方法，由于其仅需要在笛卡尔坐标系中进行回归而不是笛卡尔坐标系和旋转参数的混合中的特性，保持了网络一致性损失的自然。

Network design:

SVRNet 是由