基于深度学习的快速准确的肺癌三维CT形变图像配准

​

Deep-Learning-based Fast and Accurate 3D CT Deformable Image
Registration in Lung Cancer

解决问题：该论文的目的是通过使用深度学习技术，从2D kV图像中重建3D CT图像，以便在肺癌治疗中进行快速而准确的图像配准。这是一个新问题，因为在某些质子治疗设施中，没有3D床上成像，而是依赖于两个2D正交kV图像进行患者对准，但是这种方式可能会导致患者设置错误。

关键思路：该论文的关键思路是使用基于视觉转换器块的不对称自编码器网络，从2D kV图像和数字重建放射图像（DRR）中学习联合特征，并将其用于生成高质量的3D CT图像。相比于当前领域的研究，该论文的思路在于使用基于视觉转换器块的自编码器网络，这种网络在医学成像领域中较为新颖。

其他亮点：该论文的实验使用了1个头颈患者的数据集，包括2个正交的kV图像、1个带填充的3D CT和2个基于CT的DRR图像。作者使用MAE和CDVH评估了合成CT（sCT）的图像质量，并展示了该模型的速度为2.1秒，MAE小于40HU。该论文还提供了开源代码。该研究表明，使用基于视觉转换器块的自编码器网络可以在医学成像中实现高效而准确的3D CT图像重建，这是一个值得深入研究的领域。

关于作者：主要作者包括Yuzhen Ding、Hongying Feng、Yunze Yang等人，他们来自于中国的南京大学和美国的加州大学洛杉矶分校。他们之前的代表作包括《基于深度学习的医学图像分割：现状和挑战》和《基于卷积神经网络的医学图像分类：现状和挑战》等。

相关研究：近期其他相关的研究包括《基于深度学习的医学图像配准：现状和展望》（作者：Xiaoqing Guo、Zhenyu Liu等，机构：中国科学院自动化研究所）、《基于深度学习的医学图像重建：现状和未来》（作者：Yingda Xia、Xiaoying Tang等，机构：加州大学洛杉矶分校）等。

论文摘要：本文的目的是在肺癌治疗中，通过从固定的斜角度拍摄的两张二维正交kV图像来进行患者对准，因为没有三维床上成像。由于患者的三维解剖结构被投影到二维平面上，特别是当肿瘤在高密度结构（如骨头）后面时，kV图像中肿瘤的可见度受到限制。这可能导致患者的定位误差很大。解决方法是从治疗位置获取的kV图像中重建三维CT图像。本文提出了一种基于视觉变换器块构建的非对称自编码器网络。数据来自一名头颈部患者：2张正交kV图像、1个带填充的3D CT（512x512x512）和2个基于CT的数字重建放射图像（512×512）。在训练中，同时利用kV和DRR图像，鼓励编码器从两种图像中学习联合特征图。在测试中，仅使用独立的kV图像。通过连接模型生成的sCT，实现了全尺寸的合成CT（sCT）。使用平均绝对误差（MAE）和每体素绝对CT数差异体积直方图（CDVH）评估了合成CT（sCT）的图像质量。结果表明，该模型速度为2.1秒，MAE小于40HU。CDVH显示，小于5％的体素具有大于185 HU的每体素绝对CT数差异。本文开发了一种基于视觉变换器的患者特异性网络，证明了从kV图像中重建三维CT图像的准确性和高效性。

​Read More