相关实验视频
Updated: Jun 17, 2026
05:05
Four-Dimensional CT Analysis Using Sequential 3D-3D Registration
Published on: November 23, 2019
8.4K
一个基于人口和患者的混合框架,用于2D-3D可变形注册驱动的有限角度圆束CT估计
Xiaoxue Qian1, Hua-Chieh Shao1, You Zhang1
1The Medical Artificial Intelligence and Automation (MAIA) Laboratory, Department of Radiation Oncology, University of Texas Southwestern Medical Center, Dallas, Texas, USA.
Medical physics
|October 28, 2025
概括
一个新的混合框架 (HB-2D3DReg) 通过结合基于人口和患者的2D-3D可变形注册来改进有限角度圆束CT (LA-CBCT) 估计. 这种方法提高了放射治疗中解剖学监测的准确性和效率.
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 物理 物理
背景情况:
- 局限角形光束CT (LA-CBCT) 提供了更短的成像时间和剂量,但由于样本不足,容易出现严重的人工物.
- 2D-3D可变形注册是通过变形先前的CT/CBCT数据来减轻LA-CBCT文物的一个关键技术.
- 现有的方法,如人口训练网络,提供快速推断,但准确性有限,而针对患者的模型是可适应的,但缓慢.
研究的目的:
- 开发一种混合的2D-3D可变形注册框架 (HB-2D3DReg),以提高LA-CBCT估计的准确性和效率.
- 结合基于人口和针对患者的注册模式的优势,尽量减少各自的缺点.
主要方法:
- 一个两阶段的混合框架,集成了一个受人口训练的2D-3D注册网络 (2D3D-RegNet) 和一个针对患者的隐性神经表示网络 (2D3D-INR).
- 使用2D3D-RegNet的无监督训练,使用数字重建射线图 (DRR) 和有限角度投影之间的相似性损失.
- 通过2D3D-INR网络对变形矢量场 (DVF) 的测试时间精细化,利用人口模型加速优化和提高准确性.
主要成果:
- 与现有方法和无注册方法相比,HB-2D3DReg表现出更高的LA-CBCT估计和注册准确性.
- 在具有挑战性的扫描条件下,实现了7.99 ± 2.16%的平均图像相对误差和3.70 ± 1.94 mm的目标注册误差.
- 将测试时间优化缩短到大约3分钟,远远快于2D3D-INR-only方法所需的13分钟.
结论:
- 该HB-2D3DReg框架为LA-CBCT估计提供了准确和强大的2D-3D可变形注册.
- 能够有效和可靠地监测解剖学,这对于指导放射治疗治疗至关重要.
- 开发的代码将公开发布,以促进进一步的研究和应用.
