基于多任务网络的多模态肝脏MRI配准方法研究

目的:针对多模态肝脏MRI配准问题,设计图像合成配准多任务网络(SynReg),解决弥散加权成像(DWI)和动态对比增强(DCE)影像之间常见的错位问题,证明SynReg能有效提升图像合成质量,进而提升肝细胞癌(HCC)的配准精度。方法:纳入264例肝硬化患者(部分患有HCC),对其扫描高b值DWI和DCE影像,并对肝脏标签和肿瘤标签进行标注。将数据集按7∶1∶2的比例划分SynReg网络的训练、验证和测试集。使用峰值信噪比(PSNR)和结构相似性指标(SSIM)评价图像合成效果,Dice指标和目标配准误差(TRE)评价配准精确度。结果:在图像合成任务中,SynReg将PSNR指标从18.452 dB提升至20.574 dB,SSIM指标从0.707提升至0.769,并显著优于对比方法对抗生成网络;在配准任务中,SynReg在肝脏区域将Dice指标从0.776提升至0.824,肿瘤区域TRE指标从4.237 mm降至3.470 mm,并且显著优于传统配准方法SyN和主流深度学习配准方法CycleMorph与TransMorph。上述结果均具有统计学意义(P<0.001)。结论:多任务网络框架中的合成任务与配准任务可以相互辅助,同时获得更好的合成效果与配准效果,且SynReg网络在肝脏轮廓和肿瘤区域均实现了优秀的配准精度,这对于临床上HCC的识别与诊断有着较大的应用价值。