基于无监督深度学习的 CBCT 引导腹部放疗可变形图像配准
图像与视频处理
2023-04-26 v1 计算机视觉与模式识别
医学物理
摘要
图像引导放疗中的 CBCT 为患者摆位和计划评估提供了关键的解剖信息。纵向 CBCT 图像配准可量化分次间的解剖变化。本研究的目的是提出一种基于无监督深度学习的 CBCT-CBCT 可变形图像配准方法。所提出的可变形配准流程包括训练和推理阶段，二者通过基于空间变换的网络（STN）共享相同的前向传播路径。STN 由全局生成对抗网络（GlobalGAN）和局部 GAN（LocalGAN）组成，分别用于预测粗尺度和细尺度的运动。该网络通过最小化图像相似性损失和可变形向量场（DVF）正则化损失进行训练，无需真实 DVF 的监督。在推理阶段，由训练好的 LocalGAN 预测局部 DVF 块并融合形成全图 DVF。随后将该局部全图 DVF 与 GlobalGAN 生成的 DVF 结合以获得最终 DVF。所提方法在实验中使用了来自 20 名腹部癌症患者的 100 张分次 CBCT 进行评估，并在来自另一组 21 名不同腹部癌症患者的 105 张分次 CBCT 的保留测试中进行验证。定性上，配准结果显示变形后的 CBCT 图像与目标 CBCT 图像之间对齐良好。定量上，基于基准标记和人工识别地标计算的平均目标配准误差（TRE）为 1.91±1.11 mm。变形 CBCT 与目标 CBCT 之间的平均绝对误差（MAE）、归一化互相关（NCC）分别为 33.42±7.48 HU、0.94±0.04。这种有前景的配准方法可提供快速准确的纵向 CBCT 对齐，以促进分次间解剖变化的分析与预测。
引用
@article{arxiv.2208.13686,
title = {Deformable Image Registration using Unsupervised Deep Learning for CBCT-guided Abdominal Radiotherapy},
author = {Huiqiao Xie and Yang Lei and Yabo Fu and Tonghe Wang and Justin Roper and Jeffrey D. Bradley and Pretesh Patel and Tian Liu and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2208.13686},
year = {2023}
}