基于无真值分割学习的解剖引导多模态配准：在术中 CBCT/MR 肝脏分割与配准中的应用
图像与视频处理
2021-04-16 v1 计算机视觉与模式识别
摘要
多模态图像配准在诊断医学影像与图像引导介入中有诸多应用，例如由术中 CBCT 与术前 MR 引导的肝癌经导管动脉化疗栓塞（TACE）。将围手术期获取的诊断图像配准到术中环境，有潜力改善术中肿瘤靶向，从而显著提升治疗效果。然而，术中 CBCT 常因缺乏 Hounsfield 单位的信号校准、有限 FOV 以及运动/金属伪影而图像质量欠佳。这些非理想条件使基于标准强度的多模态配准方法难以跨模态生成正确变换。虽然基于解剖结构（如分割或地标）的配准提供了高效替代，但此类解剖结构信息并非总可获得。可训练基于深度学习的解剖提取器，但这需要特定模态上的大规模人工标注，往往极耗时且需专业放射科读片者。为应对这些问题，我们利用源模态中已有的标注数据集，提出一种保留解剖的域适应分割网络（APA2Seg-Net），以在无目标模态真值下学习分割。这些分割器随后被集成进我们基于鲁棒点匹配机的解剖引导多模态配准中。我们在院内 TACE 患者数据上的实验结果表明，我们的 APA2Seg-Net 可生成鲁棒的 CBCT 与 MR 肝脏分割，且带有这些分割器的解剖引导配准框架可提供高质量多模态配准。我们的代码见 https://github.com/bbbbbbzhou/APA2Seg-Net。
引用
@article{arxiv.2104.07056,
title = {Anatomy-guided Multimodal Registration by Learning Segmentation without Ground Truth: Application to Intraprocedural CBCT/MR Liver Segmentation and Registration},
author = {Bo Zhou and Zachary Augenfeld and Julius Chapiro and S. Kevin Zhou and Chi Liu and James S. Duncan},
journal= {arXiv preprint arXiv:2104.07056},
year = {2021}
}
备注
12 pages, 8 figures, published at Medical Image Analysis (MedIA), code available at https://github.com/bbbbbbzhou/APA2Seg-Net