使用适应性面具和基于CycleFCNs模型的重量分配策略进行鼻癌的可变形注册

科学领域:

• 医疗成像医学成像
• 计算解剖学的计算解剖学
• 放射治疗瘤学 放射治疗瘤学

背景情况:

• 可变形的注册对于医学成像中准确的瘤划分至关重要.
• 现有的深度学习方法面临着有限的MR视野和不同扫描角度的挑战.
• 在鼻癌 (NPC) 治疗中,CT和MR图像之间的准确记录至关重要.

研究的目的:

• 为了提高CT和MR图像之间的可变形注册的准确性,专门用于NPC案例.
• 解决当前深度学习模型在处理图像采集变化的局限性.
• 为了提高医学图像分析的精度,用于放射治疗规划.

主要方法:

• 使用了269个NPC病例的数据集,并配对CT和T1-MR卷.
• 采用CycleFCNs模型进行可变形登记,结合自适应面罩和重量分配策略.
• 在正常组织上使用子相似系数 (DSC) 和豪斯多夫距离 (HD) 评估注册准确性.
• 将拟议的方法与RayStation,Elastix和Voxelmorph进行比较.

主要成果:

• 与基线CycleFCNs,RayStation和Elastix相比,提出的方法显示出更高的性能.
• 显著的改善观察到DSC对于关键结构,如垂体腺和视神经.
• 减少了关键解剖区域的豪斯多夫距离,表明了更精确的对齐.
• 在关节实现了从0.86到0.91的平均DSC增加,而在视觉瘤则从0.77到0.83.

结论:

• 开发的方法显著提高了NPC中的多模式图像注册准确性.
• 改进的注册准确性对精确的瘤细分和治疗计划有直接的临床影响.
• 这一进步有可能优化NPC放射治疗中的患者结果.