基于 DINOv2 的 DINOMotion：用于 2D-Cine MRI 引导放疗的先进鲁棒组织运动跟踪
图像与视频处理
2025-08-15 v1 人工智能
计算机视觉与模式识别
摘要
准确的组织运动跟踪对于确保 2D-Cine MRI 引导放疗的治疗结果和安全性至关重要。这通常通过顺序图像的配准来实现，但现有方法常面临大错位和缺乏可解释性的挑战。本文引入 DINOMotion，一个基于 DINOv2 且集成低秩适应（LoRA）层的深度学习框架，用于鲁棒、高效且可解释的运动跟踪。DINOMotion 自动检测对应的地标，以派生最优图像配准，通过提供顺序图像之间的显式视觉对应关系增强可解释性。LoRA 层的集成减少了可训练参数，提高了训练效率，而 DINOv2 的强大特征表示在处理大错位方面具有鲁棒性。不同于基于迭代优化的方法，DINOMotion 在测试时直接计算图像配准。我们的实验在志愿者和患者数据集上表明，其在估计线性和非线性变换方面效果显著，肾脏的 Dice 得分达 92.07%，肝脏的 Dice 得分达 90.90%，肺部的 Dice 得分达 95.23%，相应的 Hausdorff 距离分别为 5.47 mm、8.31 mm 和 6.72 mm。DINOMotion 每个扫描约 30 毫秒即可处理，并且在处理大错位方面显著优于最先进的方法。这些结果凸显了其作为 2D-Cine MRI 引导放疗中鲁棒且可解释解决方案的潜力。
引用
@article{arxiv.2508.10260,
title = {DINOMotion: advanced robust tissue motion tracking with DINOv2 in 2D-Cine MRI-guided radiotherapy},
author = {Soorena Salari and Catherine Spino and Laurie-Anne Pharand and Fabienne Lathuiliere and Hassan Rivaz and Silvain Beriault and Yiming Xiao},
journal= {arXiv preprint arXiv:2508.10260},
year = {2025}
}
备注
Accepted to IEEE Transactions on Biomedical Engineering (TMBE), 14 pages