通过无监督深度学习方法提高基于voxel的剂量计准确性,用于混合医学图像注册

科学领域:

• 医学成像医学成像
• 医学中的人工智能.
• 辐射疗法剂量测量方法

背景情况:

• 可变形的注册对于时间集成活动 (TIA) 地图生成至关重要,对于基于voxel的剂量测量至关重要.
• 使用解剖图像 (CT) 的传统注册方法可能会导致功能图像 (SPECT/PET) 的错误.
• 现有的深度学习工具缺乏对串行混合图像注册的关注.

研究的目的:

• 介绍CORX-NET,一个新的无监督深度学习网络,用于混合医学图像的可变形注册.
• 使用Swin变压器 (ST) 进行复杂的空间连接表示和信息集成的自我注意.
• 加入交叉接层来增强SPECT和CT特征的融合.

主要方法:

• 开发了基于Swin变压器的CORX-NET,具有集成的交叉层.
• 在来自两个医疗中心的177个Lu DOTATATE SPECT/CT数据集上训练并验证了网络.
• 通过使用SSIM,LNCC和TIA RMSE指标,比较了CORX-NET与Elastix和TransMorph的性能.

主要成果:

• 使用交叉层的CORX-NET显示了SPECT/CT注册的改进,增强了SSIM和LNCC.
• 与Elastix和TransMorph相比,实现了优越的性能指标,特别是在SPECT注册中.
• CoRX-NET 在不到6秒的时间内记录了图像,比Elastix (约. 50秒) 的时间.
• 与Elastix相比,导致大约27%的脏和33%的瘤TIA RMSE减少.

结论:

• CoRX-NET使用无监督深度学习推进了SPECT/CT注册.
• 优于传统方法,减少TIA地图中的不确定性,用于精确的剂量评估.
• 在混合医学成像中为准确的剂量测量提供了显著的改进.