基于深度学习的实时二维-三维可变形配准及其在肺部放疗靶向中的应用
计算机视觉与模式识别
2019-09-27 v2 机器学习
摘要
放射治疗需要对目标肿瘤体积进行动态追踪。诸如植入金粒之类的基准标记已被用于门控放射投递，但这些标记具有侵入性，且门控显著增加了治疗时间。治疗前获取的呼吸相关 4DCT 可用于确定精确的运动追踪，这有助于治疗规划。我们设计了患者特定的运动子空间以及一个深度卷积神经网络，以从单帧透视投影中实时恢复解剖位置。我们利用该深度网络逼近由放射投影复合的微分同胚形变的非线性逆。该网络恢复子空间坐标，从而由基线解剖位置定义肺部的患者特定形变。在真实患者数据上，子空间形变的几何精度与原始各呼吸时相图像体之间的图像配准所达到的精度相近。
引用
@article{arxiv.1807.08388,
title = {Real-Time 2D-3D Deformable Registration with Deep Learning and Application to Lung Radiotherapy Targeting},
author = {Markus D. Foote and Blake E. Zimmerman and Amit Sawant and Sarang Joshi},
journal= {arXiv preprint arXiv:1807.08388},
year = {2019}
}