基于深度学习的肺癌三维 CT 可变形图像快速精准配准
计算机视觉与模式识别
2023-10-19 v1 医学物理
摘要
目的:在一些质子治疗机构中,患者摆位依赖于两张固定斜角拍摄的二维正交 kV 图像,因为无法获得床上三维成像。由于患者三维解剖结构被投影到二维平面,尤其是当肿瘤位于骨骼等高密度结构后方时,kV 图像中肿瘤的可见性有限。这可能导致较大的患者摆位误差。一种解决方案是从治疗位置、治疗等中心处获取的 kV 图像重建三维 CT 图像。方法:开发了一个由视觉Transformer块构建的非对称自编码器式网络。数据来自 1 名头颈癌患者:2 张正交 kV 图像(1024x1024 体素)、1 张在拍摄 kV 前由室内轨道式 CT 获取并带填充的三维 CT(512x512x512),以及基于该 CT 的 2 张数字重建放射影像(DRR)(512x512)。我们将 kV 图像每 8 个体素重采样,DRR 和 CT 每 4 个体素重采样,从而构成包含 262,144 个样本的数据集,其中图像各方向维度为 128。训练中同时利用 kV 与 DRR 图像,并鼓励编码器从二者中学习联合特征图。测试时仅使用独立的 kV 图像。完整尺寸的合成 CT(sCT)通过依据空间信息拼接模型生成的 sCT 获得。合成 CT(sCT)的图像质量采用平均绝对误差(MAE)和逐体素绝对 CT 值差异体积直方图(CDVH)进行评估。结果:该模型达到 2.1 秒的速度与 <40HU 的 MAE。CDVH 显示 <5% 的体素其逐体素绝对 CT 值差异大于 185 HU。结论:开发了一种患者特定的基于视觉Transformer的网络,并被证明能准确高效地由 kV 图像重建三维 CT 图像。
引用
@article{arxiv.2304.11135,
title = {Deep-Learning-based Fast and Accurate 3D CT Deformable Image Registration in Lung Cancer},
author = {Yuzhen Ding and Hongying Feng and Yunze Yang and Jason Holmes and Zhengliang Liu and David Liu and William W. Wong and Nathan Y. Yu and Terence T. Sio and Steven E. Schild and Baoxin Li and Wei Liu},
journal= {arXiv preprint arXiv:2304.11135},
year = {2023}
}
备注
9 figures