基于光滑变换的腹部MRI-CT可变形图像配准
计算机视觉与模式识别
2024-05-07 v1 医学物理
摘要
本文旨在创建能够估计用于直接对准腹部MRI-CT图像的变形向量场(DVF)的深度学习框架。该方法假设进行光滑变换。通过从概率光滑配准模型中提取保持拓扑的变形特征，能够准确获取并用于DVF估计。该模型将Swin变换器集成到卷积神经网络(CNN)中，用于变形特征提取。该模型使用交叉模态图像相似性损失和表面匹配损失进行优化。为计算图像损失，采用模态无关的邻域描述符(MIND)用于变形后MRI和CT图像之间的计算。表面匹配损失通过测量变形后MRI图像上轮廓结构的变形坐标与CT图像上手动轮廓的距离来确定。对变形后MRI图像的评估使用了靶向配准误差(TRE)、Dice相似系数(DSC)以及变形后MRI图像轮廓与CT图像手动轮廓之间的平均表面距离(MSD)。当与仅进行刚性配准相比，使用所提方法的DIR使肝脏和门静脉的平均DSC值分别从0.850和0.628提升至0.903和0.763，肝脏的平均MSD从7.216 mm降低至3.232 mm，TRE从26.238 mm降低至8.492 mm。该基于光滑变换器的可变形图像配准方法为从腹部MRI-CT图像对中生成准确DVF提供了有效且高效的方式，可用于当前肝脏放疗治疗计划工作流程。
引用
@article{arxiv.2405.02692,
title = {Diffeomorphic Transformer-based Abdomen MRI-CT Deformable Image Registration},
author = {Yang Lei and Luke A. Matkovic and Justin Roper and Tonghe Wang and Jun Zhou and Beth Ghavidel and Mark McDonald and Pretesh Patel and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2405.02692},
year = {2024}
}
备注
18 pages and 4 figures