一种结合了基于人群数据和患者特定信息的混合框架，用于二维到三维可变形配准驱动的有限角度圆锥束CT估计

《MEDICAL PHYSICS》：A hybrid population-based and patient-specific framework for 2D-3D deformable registration-driven limited-angle cone-beam CT estimation

LA-CBCT成像通过融合群体训练模型与患者特定隐式神经表示网络，实现两阶段优化：第一阶段利用无监督学习的群体模型快速生成初步变形场，第二阶段通过患者特定隐式神经表示网络进行实时优化，在保证3.7mm亚毫米级配准精度的同时，将计算时间从13分钟缩短至3分钟。

　　

摘要

背景

有限角度锥形束CT（LA-CBCT）可以减少成像时间和辐射剂量，但存在严重的欠采样伪影和变形问题。2D-3D可变形配准技术通过利用有限角度锥形束投影优化的变形矢量场（DVFs），通过对先前全采样CT/CBCT的变形来估计LA-CBCT图像，从而缓解了这一问题。基于人群数据训练的2D-3D配准网络能够实现快速推理，但在不同扫描方向下存在精度挑战。另一方面，患者特定模型虽然更具适应性，但通常需要较长的运行时间来为每个病例从头开始优化模型参数。

目的

为了提高2D-3D配准驱动的LA-CBCT估计的准确性和效率，提出了一种混合式的2D-3D可变形配准框架。

方法

这种基于人群数据和患者特定数据的混合式2D-3D可变形配准框架（HB-2D3DReg）结合了两种方法的优点，同时克服了它们的局限性。它通过两阶段方法将基于人群数据训练的模型的快速推理能力与患者特定模型的测试时适应性相结合。首先，使用无监督学习方法在队列数据集上训练了一个基于人群数据的2D-3D配准网络2D3D-RegNet，该网络通过数字重建的放射图像（DRRs）与有限角度2D投影之间的相似性损失进行训练。然后，基于隐式神经表示（INR）的2D-3D配准网络2D3D-INR在测试时对2D3D-RegNet求解的DVFs进行优化，以适应每个独立测试案例。2D3D-RegNet加速了患者特定模型2D3D-INR的优化过程，并降低了其陷入局部最优解的风险；而患者特定模型则提高了基于人群数据模型的精度。HB-2D3DReg使用包含48个4D CT数据集进行了评估，其中26个用于训练基于人群数据的模型，22个用于测试。评估了具有不同扫描方向和角度的各种有限角度扫描场景。

结果

HB-2D3DReg在LA-CBCT估计和配准方面的准确性优于其他方法。在正交视图90°扫描（每个方向45°）且扫描方向不同的情况下，HB-2D3DReg的平均图像相对误差为7.99 ± 2.16%，目标配准误差为3.70 ± 1.94毫米；而未经配准的情况下，这些误差分别为15.40 ± 2.41%和8.52 ± 3.31毫米；仅使用2D3D-RegNet时的误差分别为9.82 ± 2.12%和6.38 ± 2.46毫米；仅使用2D3D-INR时的误差分别为9.71 ± 2.33%和5.01 ± 2.77毫米。HB-2D3DReg在测试时的优化时间为约3分钟，而2D3D-INR方法的优化时间为13分钟。

结论

HB-2D3DReg实现了准确且稳健的2D-3D变形配准，为LA-CBCT估计提供了支持，有助于高效地进行解剖结构监测以指导放射治疗。代码将在以下链接发布：https://github.com/sanny1226/HB-2D3DReg。

利益冲突声明

作者声明没有利益冲突。