基于VoxelMorph无监督缺失图像配准的无标记射束方向观肿瘤跟踪算法

目的基于机器学习提出可应用于低图像质量、多叶准直器(MLC)遮挡和非刚性变形兆伏级(MV)图像的无标记射束方向观(BEV)肿瘤放疗跟踪算法。方法采用窗口模板匹配法和Voxelmorph端到端无监督网络,处理MV图像中的配准问题。使用动态胸部模体,验证肿瘤跟踪算法的准确性。将模体质量保证(QA)计划在加速器上手动设置治疗偏移后执行,收集治疗过程中的682幅电子射野影像系统(EPID)图像作为固定图像;同时采集计划系统中对应射野角度的数字影像重建(DRR)图作为浮动图像,进行靶区跟踪研究。收集21例肺部肿瘤放疗的533对EPID和DRR图像进行肿瘤跟踪研究,提供治疗过程中肿瘤位置变化定量结果。图像相似度用于算法的第三方验证。结果算法可应对不同程度(10%~80%)的图像缺失,且对数据缺失图像的非刚性配准表现较好。模体验证中86.8%的跟踪误差<3 mm,<2 mm的比例约80%作用。配准后标准化互信息(NMI)由1.18±0.02提高到1.20±0.02(t=-6.78,P=0.001)。临床病例肿瘤运动以平移为主,平均位移3.78 mm,最大位移可达7.46 mm。配准结果显示存在非刚性形变,配准后NMI由1.21±0.03增至到1.22±0.03(t=-2.91,P=0.001)。结论肿瘤跟踪算法跟踪精度可靠且鲁棒性好,可用于无创、实时、无额外设备和辐射剂量的肿瘤跟踪。

基于局部方差的医学图像配准模型

随着人工智能在医疗领域的火热发展,基于深度学习的医学图像配准成为近年来的研究热点。然而当下的深度学习配准模型存在精度低、局部配准效果较差等缺陷。针对此类问题,本文从样本均衡机制的思想出发,以局部方差作为权重因子对医学图像配准方法中经典损失函数进行改进,提出了FMSE-LV损失函数,并使用深度学习框架Voxelmorph在公开的脑部核磁共振数据集上进行验证,实验结果表明,改进后的损失函数在不影响变形场整体折叠情况的前提下,配准的精度得到了提升。