Réseau de raffinement récursif pour l'alignement déformable des poumons entre des scanners CT d'expiration et d'inspiration

Les approches d’alignement d’images médicales basées sur l’apprentissage non supervisé ont connu un développement rapide ces dernières années. Nous proposons de réexaminer un principe couramment négligé, tout en étant simple et bien établi : le raffinement récursif des champs de déformation à travers les échelles. Nous introduisons un réseau de raffinement récursif (RRN) pour l’alignement d’images médicales non supervisé, permettant d’extraire des caractéristiques multi-échelles, de construire un volume de corrélation locale normalisé et de raffiner de manière récursive les champs de déformation volumétriques. Le RRN atteint des performances de pointe pour l’alignement 3D des paires expiratoires-inspiratoires d’imagerie par tomographie computée pulmonaire. Sur le jeu de données DirLab COPDGene, le RRN obtient une erreur moyenne de positionnement cible (TRE) de 0,83 mm, soit une réduction de 13 % de l’erreur par rapport au meilleur résultat précédemment publié sur le classement. En plus des comparaisons avec les méthodes conventionnelles, le RRN permet une réduction de 89 % de l’erreur par rapport aux approches basées sur l’apprentissage profond similaires.