面向肺癌的肿瘤感知性循环双向可变形CT图像配准
图像与视频处理
2024-11-28 v1 计算机视觉与模式识别
摘要
背景：面向人群水平放射治疗(RT)结果建模的体素基分析(VBA)需要拓扑保持的双向可变形图像配准(DIR)，该配准在移动图像中保留肿瘤，同时避免因肿瘤位于固定图像中导致的不现实变形。目的：我们开发了一种肿瘤感知性循环配准(TRACER)深度学习(DL)方法，并评估其适用于VBA的适切性。方法：TRACER由使用堆叠的3D卷积长短期记忆网络(3D-CLSTM)实现的编码器层后接解码器和空间变换层组成，用于计算稠密变形向量场(DVF)。使用多个CLSTM步骤计算一系列渐进变形。通过将肿瘤分割与3D图像对双作为输入通道应用输入条件。采用双向肿瘤刚性、图像相似性和变形平滑损失函数以无监督方式优化网络。使用来自肺癌患者的204个3D CT图像对训练TRACER和多个DL方法，并使用(a) Dataset I(308对，DL分割的LC)、(b) Dataset II(765对，手动描绘的LC)和(c) Dataset III(42个LC患者接受RT)进行评估。结果：TRACER准确地对准正常组织。它最好地保留了肿瘤，由Dataset I、II、III中肿瘤体积差分别为0.24%、0.40%和0.13%，以及CT强度均方误差分别为0.005、0.005和0.004，计算于原始和重采样后移动图像中肿瘤之间。它导致了使用女性和男性参考时的计划RT肿瘤剂量差异分别为0.01 Gy和0.013 Gy，均小于原始和重采样后移动图像。
引用
@article{arxiv.2409.11910,
title = {Tumor aware recurrent inter-patient deformable image registration of computed tomography scans with lung cancer},
author = {Jue Jiang and Chloe Min Seo Choi and Maria Thor and Joseph O. Deasy and Harini Veeraraghavan},
journal= {arXiv preprint arXiv:2409.11910},
year = {2024}
}
备注
Minor revision under the journal of Medical Physics