Improved CycleFCNs Model: Revolutionizing CT-MR Deformable Registration for Nasopharyngeal Carcinoma
【字体：
大
中
小
】
时间：2025年02月26日
来源：Radiation Oncology 3.3
编辑推荐：
为解决鼻咽癌多模态医学图像配准不准确问题，某医院研究人员开展基于改进 CycleFCNs 模型的 CT-MR 可变形配准研究，结果显示该方法显著提高配准精度，对优化治疗意义重大。
在癌症治疗的领域中，放疗是极为关键的一环，精准的肿瘤分割对于放疗效果起着决定性作用。而多模态医学成像，如计算机断层扫描（CT）和磁共振成像（MR），能为医生勾勒肿瘤边界提供丰富信息。但在实际应用时，这些图像存在诸多差异，像图像尺寸、像素间距、切片数量、切片厚度以及患者体位等方面的不同，这给医生直接使用多模态成像数据带来了极大的阻碍。图像配准技术就像是一座桥梁，能将具有不同解剖结构的两幅图像对齐，帮助实现多模态图像融合和感兴趣区域（ROI）的精确分割。
传统的刚性配准虽能实现平移和旋转，但面对器官变形就显得力不从心，而可变形配准借助空间可变形网格，能更细致地对齐图像，可其传统方法在处理复杂三维图像时，存在耗时久、精度差的问题。近年来，深度学习模型的兴起为医学图像可变形配准带来了新的希望，不过现有的深度学习方法仍有不少问题。比如，监督和弱监督神经网络在训练时依赖先验知识，获取这些知识既困难又难以保证准确性；无监督方法虽然避开了对先验知识的需求，但在优化过程中容易陷入局部最优解。
对于鼻咽癌（NPC）患者而言，放疗是主要治疗手段，而精确勾勒肿瘤靶区需要 CT 和 MR 等多模态图像的配合。然而，目前在 NPC 的可变形配准研究中，还存在不少挑战。例如，一些研究使用的监督神经网络需要医生预先划定 ROI 作为训练标签，这些标签获取困难且准确性难以保障；多数研究只关注 CT 图像间的配准，忽视了多模态图像的配准；MR 扫描视野（FOV）有限，会导致解剖结构信息不完整；CT 和 MR 扫描倾斜角度的差异也会引发配准误差。
为了攻克这些难题，某医院的研究人员展开了深入研究。他们使用了一种名为循环一致全卷积网络（CycleFCNs）的无监督模型，对 NPC 患者的 MR 和 CT 图像进行可变形配准。为了解决 FOV 有限的问题，研究人员提出了自适应掩码配准策略，通过提取 MR 图像的外轮廓掩码作为配准区域，让神经网络在训练时专注于该区域，避免受其他区域干扰。同时，为了减少因图像边缘信息不匹配导致的配准差异，他们还提出了权重分配策略，对不同图像切片赋予不同权重，加大中心切片权重，降低边缘切片权重。
研究人员选取了 2020 年 4 月至 2021 年 12 月在医院接受调强放疗的 NPC 患者作为研究对象，共收集了 269 例病例，其中 188 例用于训练，81 例用于测试。在数据预处理阶段，他们不仅去除了 CT 图像中的扫描床，统一了图像参数，还对图像进行了归一化处理。之后，研究人员在改进的 CycleFCNs 模型上进行训练和测试，并将其与 RayStation、Elastix 和 VoxelMorph 这三种可变形配准方法进行对比。
研究结果显示，刚性配准只能实现 CT 和 MR 的粗略对齐，基于强度的可变形配准虽有一定效果，但在轴向平面存在不足，且会出现不合理变形。Elastix、VoxelMorph 和改进的 CycleFCNs 模型在整体对齐上有明显改善，但 Elastix 和 VoxelMorph 在填充 MR 图像视野外区域时，准确性存疑，CycleFCNs 模型则在周边切片存在不合理变形。
在具体的评估指标上，改进的 CycleFCNs 模型表现出色。对于颞下颌关节、垂体、视神经和视交叉，其平均骰子相似系数（DSC）分别从 0.86 提高到 0.91、0.87 提高到 0.93、0.85 提高到 0.89、0.77 提高到 0.83，平均豪斯多夫距离（HD）分别从 2.98mm 降低到 2.28mm、1.83mm 降低到 1.53mm、3.74mm 降低到 3.56mm、5.94mm 降低到 5.87mm 。与 RayStation 相比，CycleFCNs 模型在大多数器官上实现了更高的 DSC 值和更低的 HD 值，在精度和召回率方面也更具优势。
通过一系列消融实验，研究人员验证了自适应掩码配准策略和权重分配策略的有效性。虽然这两种策略各自存在一些问题，如自适应掩码策略对中心切片配准精度不足，权重分配策略会导致 MR 图像边缘拉伸，但它们相互配合，显著提升了配准性能。
总的来说，该研究基于 CycleFCNs 模型提出的自适应掩码配准策略和权重分配策略，显著提高了 NPC 病例中多模态医学图像的配准精度。这一成果对临床治疗意义非凡，它能助力更精准的肿瘤分割、优化治疗方案，进而提升患者的治疗效果和生活质量。而且，这两种策略具有一定的通用性，有望应用于其他解剖区域或癌症类型的图像配准。该研究成果发表于《Radiation Oncology》期刊。
本研究主要使用的关键技术方法包括：采用 CycleFCNs 模型进行可变形配准；通过自适应掩码配准策略，利用 OTSU 算法和形态学操作提取 MR 图像外轮廓掩码；实施权重分配策略，对不同切片区域设置不同权重；使用多种评估指标（DSC、HD、精度、召回率）对比不同模型的配准效果 。
研究结论和讨论部分指出，改进的 CycleFCNs 模型在 NPC 的 CT-MR 可变形配准中表现优异，自适应掩码配准策略和权重分配策略有效提升了配准性能。但研究也存在一定局限性，如 CT 扫描床去除过程难以自动化。未来研究可朝着开发自动化工具以及解决肿瘤边界配准相关问题的方向展开。这些成果为医学图像配准领域提供了新的思路和方法，对推动精准放疗的发展具有重要意义。
