基于常微分方程（ODE）的多分辨率并行网络，用于呼吸运动估计

《Medical & Biological Engineering & Computing》：An ODE-based multi-resolution parallel network for respiratory motion estimation

提出基于神经ODE的多分辨率并行网络架构解决肺呼吸运动估计难题，通过显式建模4DCT数据时间连续性改善变形不真实问题，结合多分辨率特征递归优化提升配准精度，在TCIA和DirLab数据集上验证优于传统方法。

　　

摘要

在穿刺手术过程中，呼吸运动可能会导致病变部位发生显著位移。快速准确地估计肺部呼吸运动可以为手术提供重要参考。然而，肺部细小纹理的巨大变形以及气道和血管等内部结构的复杂运动给运动估计带来了巨大挑战。在这项研究中，我们提出了一种基于神经常微分方程（neural ODE）的多分辨率并行网络架构。通过引入神经常微分方程，我们的方法能够明确地模拟4DCT数据的时间连续性，解决了肺部运动估计中不真实变形的问题，并生成与呼吸运动生理模式更吻合的变换结果。此外，我们还引入了多分辨率并行结构来递归细化肺部特征，从而提升了网络的特征表示和预测能力，进而提高了配准精度。我们在TCIA和DirLab数据集上进行了定性和定量实验，证明了所提出的方法优于其他深度学习方法，并且在所有呼吸阶段都能保持较高的性能。

图形摘要

我们提出了一种基于神经常微分方程的多分辨率并行网络结构。该网络解决了肺部运动估计中不合理变形的问题，而多分辨率并行结构则进一步增强了网络的特征处理能力和预测能力。