Deformable Image Registration using Unsupervised Deep Learning for CBCT-guided Abdominal Radiotherapy

要約

画像誘導放射線治療における CBCT は、患者のセットアップと計画の評価に関する重要な解剖学的情報を提供します。
縦方向の CBCT 画像登録は、フラクショナル間の解剖学的変化を定量化できます。
この研究の目的は、教師なし深層学習ベースの CBCT-CBCT 変形可能画像登録を提案することです。
提案された変形可能な登録ワークフローは、空間変換ベースのネットワーク (STN) を介して同じフィードフォワード パスを共有するトレーニングと推論の段階で構成されます。
STN は、グローバルな敵対的生成ネットワーク (GlobalGAN) とローカル GAN (LocalGAN) で構成され、粗いスケールと細かいスケールの動きをそれぞれ予測します。
ネットワークは、グラウンド トゥルース DVF の監視なしで、画像の類似性の損失と変形可能なベクトル フィールド (DVF) 正則化の損失を最小限に抑えることによってトレーニングされました。
推論段階では、ローカル DVF のパッチがトレーニング済みの LocalGAN によって予測され、融合されて画像全体の DVF が形成されました。
その後、ローカルの全画像 DVF を GlobalGAN で生成された DVF と組み合わせて、最終的な DVF を取得しました。
提案された方法は、実験では 20 人の腹部癌患者からの 100 の部分 CBCT を使用し、ホールドアウト テストでは 21 人の異なる腹部癌患者のコホートから 105 の部分 CBCT を使用して評価されました。
定性的には、レジストレーション結果は、変形された CBCT 画像とターゲット CBCT 画像の間の優れた位置合わせを示しています。
定量的には、基準マーカーと手動で識別されたランドマークで計算された平均ターゲット レジストレーション エラー (TRE) は 1.91+-1.11 mm でした。
平均絶対誤差 (MAE)、変形 CBCT とターゲット CBCT の間の正規化された相互相関 (NCC) は、それぞれ 33.42+-7.48 HU、0.94+-0.04 でした。
この有望な登録方法は、高速で正確な縦方向のCBCTアライメントを提供して、フラクショナルな解剖学的変化の分析と予測を容易にする可能性があります。

要約(オリジナル)

CBCTs in image-guided radiotherapy provide crucial anatomy information for patient setup and plan evaluation. Longitudinal CBCT image registration could quantify the inter-fractional anatomic changes. The purpose of this study is to propose an unsupervised deep learning based CBCT-CBCT deformable image registration. The proposed deformable registration workflow consists of training and inference stages that share the same feed-forward path through a spatial transformation-based network (STN). The STN consists of a global generative adversarial network (GlobalGAN) and a local GAN (LocalGAN) to predict the coarse- and fine-scale motions, respectively. The network was trained by minimizing the image similarity loss and the deformable vector field (DVF) regularization loss without the supervision of ground truth DVFs. During the inference stage, patches of local DVF were predicted by the trained LocalGAN and fused to form a whole-image DVF. The local whole-image DVF was subsequently combined with the GlobalGAN generated DVF to obtain final DVF. The proposed method was evaluated using 100 fractional CBCTs from 20 abdominal cancer patients in the experiments and 105 fractional CBCTs from a cohort of 21 different abdominal cancer patients in a holdout test. Qualitatively, the registration results show great alignment between the deformed CBCT images and the target CBCT image. Quantitatively, the average target registration error (TRE) calculated on the fiducial markers and manually identified landmarks was 1.91+-1.11 mm. The average mean absolute error (MAE), normalized cross correlation (NCC) between the deformed CBCT and target CBCT were 33.42+-7.48 HU, 0.94+-0.04, respectively. This promising registration method could provide fast and accurate longitudinal CBCT alignment to facilitate inter-fractional anatomic changes analysis and prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google