基于深度学习的关节刚性和可变形轮传播用于磁共振成像引导的前列腺放射治疗

科学领域:

• 医疗成像医学成像
• 辐射疗法 辐射疗法
• 机器学习 机器学习

背景情况:

• 基于深度学习的无监督图像注册为更快的放射治疗工作流提供了潜力.
• 目前在线自适应磁共振成像导向放射治疗 (MRgRT) 尚未采用这些方法.
• 前列腺癌治疗需要精确的轮传播,以获得有效的放射治疗.

研究的目的:

• 设计一个无监督的,关节刚性和可变形的注册框架,用于在前列腺癌的MRgRT中进行轮传播.
• 为了在MRgRT工作流程中实现更快,更准确的图像注册.

主要方法:

• 使用卷积神经网络 (CNN) 的框架被设计用于刚性和可变形的注册.
• LapIRN被选为可变形的注册网络架构,具有端到端的培训策略.
• 该框架在143名前列腺癌患者的3D盆腔T2加权MRI上进行了评估,将准确性和稳定性与代基线进行了比较.

主要成果:

• 端到端训练的框架在前列腺 (0.89) 和膀 (0.86) 轮方面取得了高的子得分,与代方法相比.
• 快速完成注册:刚性注册0.002秒,可变形注册0.74秒.
• 该框架表现出对显著转换,旋转,弹性变形和偏差场的稳定性.

结论:

• 拟议的无监督,基于深度学习的注册框架实现了快速的刚性和可变形注册.
• 该框架提供了与代注册方法可比的轮传播精度.
• 这种方法有望整合到前列腺癌的在线自适应性MRgRT工作流程中.