Biomechanics-informed Non-rigid Medical Image Registration and its Inverse Material Property Estimation with Linear and Nonlinear Elasticity

本文使用物理知识引导神经网络（PINNs）研究了生物力学约束的非刚性医学图像配准和软组织材料属性的准确识别。利用复杂非线性弹性理论，正式建立了表示生物力学约束物理定律的偏微分方程（PDEs），将配准和识别任务分别视为前向（即PDE的数据驱动解决方案）和反向（即参数估计）问题。在PINNs下，还比较了两种网络配置（即Cfg1和Cfg2）在线性和非线性物理模型下的表现。本文进行了两组实验，使用前列腺癌活检的临床病例中的未变形和变形MR图像对。 本文的贡献总结如下。1）我们开发了一种使用PINNs的基于学习的生物力学约束非刚性配准算法，其中线性弹性被推广到非线性版本。2）我们广泛证明了非线性弹性在计算点位位移向量方面与线性模型没有统计学意义，但它们各自的优势可能取决于特定的患者，有限元（FE）计算的基础真实值。3）我们利用PINNs制定并解决了反向参数估计问题，在配准和参数识别的联合优化方案下，其解可以通过定位鞍点来准确找到。

使用物理知识和神经网络技术进行医学图像配准和材料属性识别。

使用物理约束的神经网络技术（PINNs）来解决医学图像配准和材料属性识别问题。

1）将线性弹性模型推广到非线性版本，使用PINNs开发了基于学习的生物力学约束非刚性配准算法。2）通过与有限元计算的地面实况进行比较，证明了非线性弹性模型在计算点位移向量方面与线性模型没有统计学显著性。3）使用PINNs解决了联合优化配准和参数识别的反问题，其解可以通过找到鞍点来精确地找到。

最近的相关研究包括：1）使用不同的神经网络技术来解决医学图像配准问题，如CycleGAN和VoxelMorph；2）使用机器学习技术来识别材料属性，如弹性模量和泊松比。