基于多任务学习的联合配准与分割用于前列腺癌自适应放疗

医学图像配准与分割是医学图像分析中最常见的两类任务。由于这些任务互补且相关，以联合方式同时应用将大有裨益。本文通过多任务学习（MTL）设定将配准与分割表述为一个联合问题，使这些任务通过共享有益信息来发挥各自优势并弥补不足。我们提出不仅在损失层面，也在架构层面融合这些任务。我们在前列腺癌自适应影像引导放疗背景下研究该方法，其中规划与随访 CT 图像及其相应轮廓可用于训练。研究涉及来自不同厂商与机构的两个数据集。第一个数据集划分为训练集（12 名患者）与验证集（6 名患者），用于优化并验证方法；第二个数据集（14 名患者）用作独立测试集。我们对不同网络架构及损失加权方法自动生成轮廓的质量进行了广泛的定量比较。此外，我们评估了生成的形变矢量场（DVF）的质量。我们表明 MTL 算法优于对应的单任务学习（STL）算法，并在独立测试集上取得更好的泛化能力。最佳算法在验证集上对前列腺、精囊、膀胱和直肠的平均表面距离分别为 $1.06 \pm 0.3$ mm、$1.27 \pm 0.4$ mm、$0.91 \pm 0.4$ mm 和 $1.76 \pm 0.8$ mm。所提方法的高精度与快速推理速度相结合，使其成为自适应放疗中随访扫描自动重新勾画轮廓的一种有前景的方法。