基于深度学习方法改进宫颈癌自适应放疗中CT-CBCT可变形图像配准(Deformable Image Registration, DIR)

《Frontiers in Oncology》：Improving CT-CBCT deformable image registration for cervical cancer adaptive radiotherapy using a deep learning approach

　　

目的：提高宫颈癌自适应放疗中CT与锥形束CT(Cone-Beam Computed Tomography, CBCT)间可变形图像配准(Deformable Image Registration, DIR)的鲁棒性及解剖对齐精度。方法：研究人员通过在基于Transformer的模型UTSRMorph基础上引入归一化梯度场(Normalized Gradient Field, NGF)约束，构建了深度学习配准框架。该网络融合卷积模块与Transformer模块以捕获多尺度解剖特征，采用互信息(Mutual Information, MI)、变形正则化及基于梯度的相似度度量组成的复合损失函数进行训练。利用内部及外部CBCT-CT数据集，以Dice相似系数(Dice Similarity Coefficient, DSC)、95% Hausdorff距离(HD95)及雅可比行列式(Jacobian determinant)进行评估。结果：在内部数据集上，所提方法在所有结构上取得与基线相当的Dice评分(小肠bowel: 82.84%)，同时改善了变形规则性，非正雅可比行列式体素百分比(%|Jφ|≤0: 0.13)低于VoxelMorph(0.19)和TransMorph(0.21)，与UTSRMorph(0.12)相当；在骨性结构(特别是髋骨)的Dice和HD95上有轻微提升。在外部数据集上，该方法显示出更好的泛化能力，小肠Dice更高(83.40% vs. 82.99%和82.90%)，HD95更低(11.70 mm vs. 11.91 mm和11.85 mm)；边界对齐尤其是高对比度区域的改善更为明显，且保持了相当的变形平滑度。结论：所提NGF-UTSRMorph方法提高了CT-CBCT配准的鲁棒性并在不损害变形平滑性的前提下增强了边界对齐，在强度不一致条件下边界敏感指标改善更显著，表明其在强度不一致情况下具有更好的鲁棒性。

论文解读：基于NGF约束的Transformer深度学习框架改进宫颈癌自适应放疗CT-CBCT可变形图像配准

一、研究背景与立题依据

宫颈癌根治性放疗通常持续数周，期间因膀胱充盈度、直肠排空状态及肿瘤退缩导致盆腹腔解剖结构发生显著且不可预测的变化，致使危及器官(Organs at Risk, OARs)特别是小肠、膀胱、直肠的剂量学不确定性高达20%~25%。自适应放疗(Adaptive Radiotherapy, ART)可通过日常锥形束CT(Cone-Beam Computed Tomography, CBCT)获取实时解剖信息并调整计划，但CBCT存在散射伪影重、软组织对比度低及与计划CT(Planning CT, pCT)间严重的强度不一致(Intensity Inconsistency)问题，使得传统基于强度相似度度量的可变形图像配准(Deformable Image Registration, DIR)易陷入局部最优或产生不合理形变。传统算法（Demons、光流法）计算慢且难以捕捉盆腔大形变；基于卷积神经网络(Convolutional Neural Network, CNN)的VoxelMorph受限于局部感受野，难以建模膀胱/肠管充盈引起的宫颈子宫大幅位移；Vision Transformer(ViT/Swin Transformer)虽能捕获长程依赖，但现有Transformer配准模型（如UTSRMorph）仍依赖互信息(Mutual Information, MI)或归一化互相关(Normalized Cross-Correlation, NCC)等强度度量，在CBCT强度分布严重失真时仍受限。归一化梯度场(Normalized Gradient Field, NGF)关注梯度方向而非原始灰度值，对模态间强度差异不敏感，适合CT-CBCT对齐，但尚未充分融入Transformer配准框架。为此，研究人员在UTSRMorph基础上引入NGF相似度约束，提出NGF-UTSRMorph以提升配准鲁棒性与边界对齐精度。本文发表于《Frontiers in Oncology》。

二、主要关键技术方法概述

研究人员收集同一机构内不同加速器采集的宫颈癌患者pCT与分次CBCT影像，构建内部队列（163例，Varian VitalBeam，按108/20/35划分为训练/验证/内部测试）及跨设备外部测试队列（27例，Varian Clinac IX）。pCT为固定图像，CBCT为移动图像，先行刚性对齐后重采样至各向同性体素间距0.908×0.908×1.98 mm3，裁剪为384×384×96，强度归一化至[0,1]，由放疗科医师手动勾画小肠(Small Bowel)、左/右髋骨(Left/Right Hip Bone)及骶骨(Sacrum)作为金标准。基于PyTorch实现UTSRMorph——一种结合CNN局部特征提取与Swin Transformer全局建模的U型编码器-解码器网络，解码器采用亚像素卷积(Super-resolution Module)生成高密度位移场(Displacement Field, ?)；在原有MI损失L_sim与扩散正则化平滑损失L_Smooth（权重λ=1）基础上，增加NGF损失项L_NGF（权重α=1），构成复合无监督损失函数L = L_sim(MI) + λ·L_Smooth+ α·L_NGF。以Dice相似系数(Dice Similarity Coefficient, DSC，越高越好)、95% Hausdorff距离(HD₉₅，越低越好)及非正雅可比行列式体素百分比(%|J_?|≤0，越低越好，反映折叠Folding程度)定量评估，并与VoxelMorph、TransMorph、UTSRMorph对比，统计学采用Wilcoxon符号秩检验(p<0.05显著)。

三、研究结果

7.1 Evaluation on the internal test set（内部测试集评估结果）

在35例内部测试集上，NGF-UTSRMorph小肠Dice达82.84±9.50%，略高于VoxelMorph(82.41%, p<0.001)和TransMorph(82.10%, p<0.001)，与UTSRMorph(82.88%, p=0.619)相当；左/右髋骨Dice分别为91.99±0.75%和91.98±0.76%，较UTSRMorph显著提升(p<0.001)，与VoxelMorph/TransMorph相当或优于TransMorph(右髋p=0.039)；骶骨Dice 90.11±0.93%与各组相当。HD₉₅方面，小肠13.32±8.16 mm与UTSRMorph(13.30)相当且略优于VoxelMorph/TransMorph；右髋HD₉₅显著优于TransMorph(p=0.047)和UTSRMorph(p=0.013)。变形规则性上，%|J_?|≤0为0.13±0.07，显著优于VoxelMorph(0.19, p=0.004)和TransMorph(0.21, p<0.001)，与UTSRMorph(0.12, p=0.143)相当。表明NGF约束在维持全局重叠的同时改善了骨性结构边界对齐并保持低折叠率。

7.2 Evaluation on the cross-scanner test cohort（跨设备外部测试集评估结果）

在27例跨扫描仪测试集上，NGF-UTSRMorph显示更好泛化能力：小肠Dice 83.40±6.79%，显著高于VoxelMorph(82.99%, p=0.018)、TransMorph(82.90%, p=0.005)及UTSRMorph(83.17%, p=0.020)；左髋92.42±1.00%(优于UTSRMorph p<0.001)，右髋92.18±0.94%(优于TransMorph和UTSRMorph p<0.001)；骶骨76.18±9.19%与VoxelMorph/UTSRMorph相当，略低于TransMorph(p=0.003)。小肠HD₉₅为11.70±6.31 mm，显著低于VoxelMorph(11.91, p=0.004)，较TransMorph/UTSRMorph略有降低但无统计差异。%|J_?|≤0为0.08±0.05，与VoxelMorph相当(p=0.361)，显著优于TransMorph(p=0.002)，略高于UTSRMorph(p<0.001)。说明NGF约束在强度分布偏移更大的跨设备数据下提升了软组织(小肠)配准鲁棒性与边界精度。

四、讨论与结论总结

讨论指出，NGF-UTSRMorph与UTSRMorph构成受控对照（仅差NGF损失项），NGF主要改善边界敏感指标(HD₉₅)及跨扫描仪泛化能力，对全局Dice提升有限——因Transformer基线已较强且Dice对局部边界细化不敏感。MI捕捉多模态全局统计依赖，NGF强调局部梯度方向结构一致性，二者互补使CT-CBCT配准在高对比度骨性区边界细化明显，在低对比度软组织区跨设备时也体现抗强度失真优势。NGF未引入额外折叠(%|J_?|≤0保持低位)，说明框架在精度与物理合理性间取得平衡。局限性包括未全面评估膀胱/直肠/宫颈靶区、低对比度软组织梯度不可靠、未做剂量学验证(DVH/剂量累加)及标志点误差(Target Registration Error, TRE)评估。未来将纳入更多危及器官与靶体积、探索多尺度梯度建模及灵敏度分析、开展剂量学与临床医生主观评估。

结论翻译：研究人员提出的NGF-UTSRMorph框架改善了CT-CBCT可变形图像配准中的边界对齐鲁棒性并保持稳定的变形规则性，尤其在跨扫描仪测试队列上表现突出。研究结果表明，基于梯度的结构约束可有效补充基于Transformer的配准框架，适用于宫颈癌自适应放疗应用。