可变形肺部4DCT图像记录通过地标驱动的循环网络
Luke Matkovic1, Yang Lei1, Yabo Fu2
1Department of Radiation Oncology and Winship Cancer Institute, Emory University, Atlanta, Georgia, USA.
Medical physics
|September 14, 2023
概括
一种新的深度学习方法,标志性驱动循环网络,实现了精确的肺4DCT可变形图像记录. 这种自动化方法改善了呼吸运动量化,以更好地治疗患者.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 精确的肺部4DCT图像记录对于量化呼吸运动和优化治疗管理至关重要.
- 现有的方法需要提高自动化,准确性和效率.
研究的目的:
- 为4DCT肺部可变形图像注册 (DIR) 开发一种低监督的深度学习方法.
- 引入一个新的地标驱动的循环网络,以增强DIR.
主要方法:
- 一个发电机-区分器网络执行DIR,输出变形向量场 (DVF).
- 发电机是双向优化,地标通过地标驱动的损失提供弱监督.
- 区分器通过评估变形CT的现实性来规范DVF.
主要成果:
- 拟议的方法在DIR-Lab数据集上优于现有的深度学习方法,达到1.20 ± 0.72毫米的平均TRE.
- 双向和地标驱动的损失有效地提高了登记准确性.
- 临床数据集显示出有希望的结果,MAE为32.1 ± 11.6 HU,SSIM为0.979 ± 0.011.
结论:
- 标志性驱动循环网络是自动肺部4DCT可变形图像记录的经过验证和有效工具.
- 该方法表现出与当前最先进的技术相当或超过的性能.
