PuSH - Publikationsserver des Helmholtz Zentrums München

Export: TXT Text RIS Endnote (RIS) BIB BibTeX
Rasheed, H. ; Dorent, R.* ; Fehrentz, M.* ; Kapur, T.* ; Wells, W.M.* ; Golby, A.* ; Frisken, S.* ; Schnabel, J.A. ; Haouchine, N.*

Learning to match 2D keypoints across preoperative MR and intraoperative ultrasound.

In: (Simplifying Medical Ultrasound). Berlin [u.a.]: Springer, 2025. 78-87 (Lect. Notes Comput. Sc. ; 15186 LNCS)
DOI PMC
Open Access Green möglich sobald Postprint bei der ZB eingereicht worden ist.
We propose in this paper a texture-invariant 2D keypoints descriptor specifically designed for matching preoperative Magnetic Resonance (MR) images with intraoperative Ultrasound (US) images. We introduce a matching-by-synthesis strategy, where intraoperative US images are synthesized from MR images accounting for multiple MR modalities and intraoperative US variability. We build our training set by enforcing keypoints localization over all images then train a patient-specific descriptor network that learns texture-invariant discriminant features in a supervised contrastive manner, leading to robust keypoints descriptors. Our experiments on real cases with ground truth show the effectiveness of the proposed approach, outperforming the state-of-the-art methods and achieving 80.35% matching precision on average.
Altmetric
Tags
Anmerkungen
Besondere Publikation
Auf Hompepage verbergern

Zusatzinfos bearbeiten
Eigene Tags bearbeiten
Privat
Eigene Anmerkung bearbeiten
Privat
Auf Publikationslisten für
Homepage nicht anzeigen
Als besondere Publikation
markieren
Publikationstyp Artikel: Konferenzbeitrag
Schlagwörter Registration
Sprache englisch
Veröffentlichungsjahr 2025
Prepublished im Jahr 2024
HGF-Berichtsjahr 2024
ISSN (print) / ISBN 0302-9743
e-ISSN 1611-3349
Konferenztitel Simplifying Medical Ultrasound
Zeitschrift Lecture Notes in Computer Science
Quellenangaben Band: 15186 LNCS, Heft: , Seiten: 78-87 Artikelnummer: , Supplement: ,
Verlag Springer
Verlagsort Berlin [u.a.]
Institut(e) Institute for Machine Learning in Biomed Imaging (IML)
POF Topic(s) 30205 - Bioengineering and Digital Health
Forschungsfeld(er) Enabling and Novel Technologies
PSP-Element(e) G-507100-001
Förderungen National Institutes of Health
DOI 10.1007/978-3-031-73647-6_8
WOS ID 001435759400008
Scopus ID 85206491077
PubMed ID 39736888
Erfassungsdatum 2024-10-22
[➜Korrektur melden]