使用PCA呼吸运动模型进行电影MRI帧预测：比较在线训练的循环神经网络和Transformer
摘要
呼吸运动使放疗期间胸腹部肿瘤的精确照射复杂化，因为治疗系统的延迟会导致目标位置的不确定性。本工作针对胸部及肝脏电影MRI中的帧预测，以补偿此类延迟。我们研究了使用在线学习算法训练的RNN（能够通过即时参数更新适应变化的呼吸模式）和Transformer（因其捕捉长期依赖的能力而在时间序列预测中日益常见）。实验使用了来自苏黎世联邦理工学院和马格德堡大学的12个矢状面胸部和上腹部电影MRI序列；马格德堡大学的数据表现出更高的运动变异性、噪声和更低的对比度。PCA将Lucas-Kanade光流场分解为静态变形模式和低维、时间依赖的权重。我们比较了预测这些权重的各种方法：线性滤波器、总体和序列特定的Transformer编码器，以及使用实时循环学习（RTRL）、无偏在线循环优化、解耦神经接口和稀疏一步近似（SnAp-1）训练的RNN。预测的位移用于扭曲参考帧并生成未来图像。预测精度随预测时域h的增加而降低。线性回归在短时域上表现最佳（苏黎世联邦理工学院数据集上h=0.32s时几何误差为1.3mm），而RTRL和SnAp-1在中长时域上优于其他算法，在苏黎世联邦理工学院和马格德堡大学序列上的几何误差分别低于1.4mm和2.8mm。序列特定的Transformer在低到中时域上具有竞争力，但Transformer总体上仍受限于数据稀缺和数据集之间的域偏移。预测帧在视觉上与真实情况相似，明显的误差出现在呼气末附近的膈肌以及受面外运动影响的区域。
引用
@article{arxiv.2410.05882,
title = {Frame forecasting in cine MRI using the PCA respiratory motion model: comparing recurrent neural networks trained online and transformers},
author = {Michel Pohl and Mitsuru Uesaka and Hiroyuki Takahashi and Kazuyuki Demachi and Ritu Bhusal Chhatkuli},
journal= {arXiv preprint arXiv:2410.05882},
year = {2026}
}
备注
43 pages, 19 figures. Revised version with minor corrections and improved figures and language. Accepted for publication in Computerized Medical Imaging and Graphics