通过混合相似度度量与CycleGAN 基于自动分割的变形图像配准精度提升
医学物理
2024-11-27 v1 计算机视觉与模式识别
摘要
目的：变形图像配准（DIR）是自适应放射治疗（ART）中关键技术，需纠正解剖结构的变动。传统基于强度的DIR方法在图像强度差异时常常失效。本研究评估了结合强度与结构信息的混合相似度度量，利用CycleGAN 基于自动分割进行强度校正，涉及三种DIR工作流程。方法：实现了结合点到距离（point-to-distance, PD）得分与强度相似性的混合相似度度量。利用在未成对CT 与CBCT 图像上训练的2D CycleGAN 模型生成合成CT（sCT）图像，增强软组织对比度。比较的DIR工作流程包括：（1）传统基于强度的（无PD），（2）sCT 自动分割轮廓（CycleGAN PD），（3）专家手动轮廓（Expert PD）。在56张图像上训练，在14例病例上验证的3D U-Net 模型对前列腺、膀胱和直肠进行分割。评估DIR精度指标包括Dice相似系数（DSC）、95% Hausdorff距离（HD）和 fiducial 位移。结果：混合相似度度量提升了DIR精度。前列腺部位，DSC 从0.61±0.18（无PD）提升至0.82±0.13（CycleGAN PD）及0.89±0.05（Expert PD），95% HD 从11.75 mm 降至4.86 mm 和3.27 mm。fiducial 位移从8.95 mm 降至4.07 mm（CycleGAN PD）和4.11 mm（Expert PD），差异达到统计学显著性（p<0.05）。膀胱和直肠亦观察到改善。结论：本研究表明，利用CycleGAN 基于自动分割的混合相似度度量可提升DIR精度，尤其适用于低对比度CBCT 图像。这些发现凸显了将AI 图像校正与分割集成到ART 工作流程中的潜力，以提升精度并简化临床流程。
引用
@article{arxiv.2411.16992,
title = {Improving Deformable Image Registration Accuracy through a Hybrid Similarity Metric and CycleGAN Based Auto-Segmentation},
author = {Keyur D. Shah and James A. Shackleford and Nagarajan Kandasamy and Gregory C. Sharp},
journal= {arXiv preprint arXiv:2411.16992},
year = {2024}
}