计算机应用研究

作者：刘宇航,胡冀苏,陈文建,钱旭升,戴亚康,周志勇,

单位：1.南京理工大学电子工程与光电技术学院,南京210094；2.中国科学院苏州生物医学工程技术研究所,江苏苏州215163；

关键词：图像配准,配准误差预测,图像特征,随机森林,

基金：中国科学院青年创新促进会资助项目(2021324)；江苏省重点研发项目(BE2022049-2,BE2021053,BE2020625)；丽水市科技计划资助项目(2020ZDYF09)；苏州市科技计划资助项目(SS202054)；；

配准误差评估通常由人工完成，耗时费力；常用的Dice测度只关注组织边缘的配准误差，难以评估组织内部配准结果。针对以上问题，提出一种基于机器学习的肺部CT图像非刚性配准误差预测方法（PREML）。该方法首先构建形变场统计特征、形变场物理保真度特征和图像相似性特征三类特征，然后通过池化方法扩充特征数量，最后使用随机森林回归方法预测非刚性配准误差，并且使用自适应随机扰动方法模拟肺部配准误差空间分布，进一步提升形变场统计特征的配准误差表征能力。在三个肺部CT图像数据集上进行训练与测试，其配准误差预测结果与金标准之间的平均绝对差异为1.245±2.500 mm，预测性能优于基线方法。结果表明，PREML方法具有预测精度高、鲁棒性强的特点，可提升配准算法在临床应用的有效性和安全性。

来源：2023年第6期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2023年第6期