基于深度学习的 CT 到 CBCT 可变形图像配准用于头颈部自适应放疗中的自动分割
医学物理
2021-02-02 v1
摘要
本研究的目的是开发一种基于深度学习的方法，能够为头颈部在线自适应放疗（ART）在锥束 CT（CBCT）上自动生成分割结果，其中计划 CT（pCT）上专家勾画的轮廓可作为先验知识。由于 CBCT 上存在大量伪影和截断，我们提出利用基于学习的可变形图像配准方法和轮廓传播来获取 CBCT 上更新的轮廓。我们的方法以 CBCT 和 pCT 作为输入，通过联合训练 CycleGAN 模型和 5 级级联 Voxelmorph 模型，同时输出形变向量场和合成 CT（sCT）。CycleGAN 用于从 CBCT 生成 sCT，而 5 级级联 Voxelmorph 用于将 pCT 变形到 sCT 的解剖结构上。分割结果在包括左臂丛神经、右臂丛神经、脑干、口腔、咽中缩肌、咽上缩肌、咽下缩肌、食管、淋巴结大体肿瘤靶区、喉、下颌骨、左咬肌、右咬肌、左腮腺、右腮腺、左颌下腺、右颌下腺和脊髓在内的 18 个结构上与 Elastix、Voxelmorph 和 5 级级联 Voxelmorph 进行了比较。结果显示，我们提出的方法可达到平均 Dice 相似系数和 95% Hausdorff 距离分别为 0.83 和 2.01mm。与其他方法相比，我们的方法相对于 Voxelmorph 和 5 级级联 Voxelmorph 具有更好的精度，且与 Elastix 精度相当但效率远高于后者。所提方法能够快速且同时生成具有正确 CT 值的 sCT，并将轮廓从 pCT 传播到 CBCT 用于在线 ART 重新计划。
引用
@article{arxiv.2102.00590,
title = {Deep learning based CT-to-CBCT deformable image registration for autosegmentation in head and neck adaptive radiation therapy},
author = {Xiao Liang and Howard Morgan and Dan Nguyen and Steve Jiang},
journal= {arXiv preprint arXiv:2102.00590},
year = {2021}
}
备注
16 pages, 6 figures, 2 tables