基于非平稳变换器的模型，用于预测交错式二维电影磁共振成像中的肝脏运动

《MEDICAL PHYSICS》：Non-stationary transformers-based model for predicting liver motion for interleaved two-dimensional cine magnetic resonance imaging

肝肿瘤MRgOART治疗中基于非稳态Transformer的呼吸运动预测模型研究，通过Elekta Unity系统采集的三平面交错成像MRI数据，开发NsTransformers模型预测肝部中心位移，对比iTransformers、biLSTM-ATT等模型，在200-600ms预测间隔下均实现更优的RMSE和边缘精度(p<0.05)，计算时延5ms满足实时性要求，但呼吸不规则时精度下降。

　　

摘要

背景

磁共振（MR）引导的在线自适应放射治疗（MRgOART）因其能够制定每日适应计划和进行实时运动管理而受到越来越多的关注。然而，在多叶准直器（MLC）跟踪过程中，MRgOART系统存在约300毫秒的延迟，这可能会影响治疗精度。因此，预测呼吸引起的肝脏运动对于补偿系统延迟并实现精确的MLC跟踪至关重要。

目的

本研究旨在利用在Elekta Unity系统上使用交错成像技术获取的动态MR图像，开发一种基于非平稳变换器（NsTransformers）的呼吸运动预测模型。通过将所提出模型的性能与iTransformers、带有注意力机制的双向长短期记忆（biLSTM-ATT）模型、LSTM模型以及线性回归模型进行比较，来评估其在临床应用中的潜力。

方法

本研究招募了17名接受MRgOART治疗的肝癌患者。从自由呼吸或腹部压迫状态下获取的三平面交错图像中选取了冠状和矢状动态MR图像。呼吸运动定义为通过基于强度的可变形图像配准得到的肝脏质心位置的位移。为了扩展训练数据集，采用了数据增强技术，包括添加随机噪声、幅度调制和频率变换。NsTransformers模型被训练用于预测200、400和600毫秒预测时刻的肝脏质心位置。评估指标采用均方根误差（RMSE）和基于边界的准确性$$，模型的统计显著性通过Friedman检验和Nemenyi检验进行评估。

结果

NsTransformers模型在所有预测间隔内均显著优于所有对比模型。NsTransformers模型的RMSE结果优于其他模型，并且在统计上表现出显著改进（p < 0.05）。此外，NsTransformers模型在多个预测边界上均实现了更高的基于边界的准确性。NsTransformers模型的计算时间约为每次预测5毫秒，足够满足实时应用的需求。然而，在呼吸运动不规则的情况下，其预测准确性会下降。

结论

本研究开发了一种基于NsTransformers的运动预测模型，该模型能够有效预测来自交错动态MR图像的呼吸引起的肝脏运动。该模型在预测准确性方面优于所有对比模型，并有望弥补MRgOART MLC跟踪中的延迟问题。

利益冲突声明

Tsuneda Masato和Abe Kota获得了Elekta K.K.提供的研究资助。作者声明不存在利益冲突。