基于分段正则化训练的多域深度学习配准方法用于MR引导的前列腺癌放疗
计算机视觉与模式识别
2025-07-10 v1 医学物理
摘要
背景：在MR引导的自适应放疗（MRgART）中，需要准确的可形变图像配准（DIR）用于轮廓传递和剂量积累。本研究训练并评估了一种用于域无关MR-MR配准的深度学习DIR方法。方法：使用加权分割一致性损失训练了渐进细化配准和分割（ProRSeg）方法，采用来自 262 例前列腺癌患者的 3T MR 模拟扫描进行训练。ProRSeg 在相同域（58 对）、跨域（72 台 1.5T MR Linac）和混合域（42 台 MRSim-MRL）数据集上进行了轮廓传递精度测试，评估临床目标体积（CTV）、膀胱和直肠。对 42 例接受 5 次 MRgART 的患者进行剂量积累评估。结果：ProRSeg 在膀胱上展现出跨域泛化能力，Dice 相似系数在各域间相近（0.88、0.87、0.86）。对于直肠和 CTV，性能呈域相关性，在跨域 MRL 数据集上准确率更高（DSC 为 0.89），而相同域数据较低。该模型的强跨域性能促使我们研究了其用于剂量积累的可行性。剂量积累显示 83.3% 的患者满足 CTV 覆盖（D95 ≥ 40.0 Gy）和膀胱保护（D50 ≤ 20.0 Gy）约束。所有患者均实现最小平均靶向剂量（>40.4 Gy），但仅有 9.5% 的患者剂量低于上限（<42.0 Gy）。结论：ProRSeg 在前列腺癌患者中表现出合理的多域 MR-MR 配准性能，并在评估临床约束依从性方面展现出初步可行性。
引用
@article{arxiv.2507.06966,
title = {Segmentation Regularized Training for Multi-Domain Deep Learning Registration applied to MR-Guided Prostate Cancer Radiotherapy},
author = {Sudharsan Madhavan and Chengcheng Gui and Lando Bosma and Josiah Simeth and Jue Jiang and Nicolas Cote and Nima Hassan Rezaeian and Himanshu Nagar and Victoria Brennan and Neelam Tyagi and Harini Veeraraghavan},
journal= {arXiv preprint arXiv:2507.06966},
year = {2025}
}
备注
Preprint in preparation for submission