目的:基于机器学习提出可应用于低图像质量、多叶准直器(MLC)遮挡和非刚性变形兆伏级(MV)图像的无标记射束方向观(BEV)肿瘤放疗跟踪算法。方法:采用窗口模板匹配法和Voxelmorph端到端无监督网络，处理MV图像中的配准问题。使用动态胸部模体，验证肿瘤跟踪算法的准确性。将模体质量保证(QA)计划在加速器上手动设置治疗偏移后执行，收集治疗过程中的682幅电子射野影像系统(EPID)图像作为固定图像；同时采集计划系统中对应射野角度的数字影像重建(DRR)图作为浮动图像，进行靶区跟踪研究。收集21例肺部肿瘤放疗的533对EPID和DRR图像进行肿瘤跟踪研究，提供治疗过程中肿瘤位置变化定量结果。图像相似度用于算法的第三方验证。结果:算法可应对不同程度(10%~80%)的图像缺失，且对数据缺失图像的非刚性配准表现较好。模体验证中86.8%的跟踪误差<3 mm，<2 mm的比例约80%作用。配准后标准化互信息(NMI)由1.18±0.02提高到1.20±0.02( t＝－6.78， P＝0.001)。临床病例肿瘤运动以平移为主，平均位移3.78 mm，最大位移可达7.46 mm。配准结果显示存在非刚性形变，配准后NMI由1.21±0.03增至到1.22±0.03( t＝－2.91， P＝0.001)。 结论:肿瘤跟踪算法跟踪精度可靠且鲁棒性好，可用于无创、实时、无额外设备和辐射剂量的肿瘤跟踪。

本文提出一种基于Wasserstein Gan的无监督单模配准方法.与现有的基于深度学习的单模配准方法不同,本文的方法完成训练不需要Ground truth和预设的相似性度量指标.本文方法的主要结构包括生成网络和判别网络.首先,生成网络输入固定图像(正例图像)和浮动图像并提取图像间潜在的形变场,通过插值方式预测配准图像(负例图像);然后,判别网络交替输入正例图像和负例图像,判断图像间的相似性,并将判断结果作为损失函数反馈,进而驱动网络参数更新;最后,通过对抗训练,生成网络预测的配准图像能欺骗判别网络,网络收敛.实验中随机选取30例LPBA40脑部数据集、25例EMPIRE10肺部数据集和15例ACDC心脏数据集用作训练数据集,然后将剩下的10例LPBA40脑部数据集、5例EMPIRE10肺部数据集和5例ACDC心脏数据集用作测试数据集.配准结果与Affine算法、Demons算法、SyN算法和VoxelMorph算法对比.实验结果显示,本研究算法的DICE系数(DSC)和归一化相关系数(NCC)评价指标均是最高,表明本文方法的配准精度高于Affine算法、Demons算法、SyN算法和目前无监督的SOTA算法VoxelMorph.

目的 采用无监督方式基于多级串联深度卷积神经网络(CNN)建立大形变图像配准网络(LDIRnet)模型,评估其配准脑部MRI及肺部CT图像的性能.方法 串联多个结构相同而参数不同的深度CNN,以端到端方式学习待配准图像之间的多个小形变场;再通过叠加小形变场计算待配准图像之间的大形变场,实现大形变图像配准.结果 配准3D脑部M RI时,三级LDIRnet(T hree-LDIRnet)配准性能最佳,Dice系数为0.793±0.104,其次为两级LDIRnet(T w o-LDIRnet)及ANT,VoxelMorph最差;配准肺部4D CT图像时,总体配准性能以mlVIRNET最佳,平均配准误差为(1.84±1.39)mm,其次为Three-LDIRnet、DLIR及Two-LDIRnet,VoxelMorph模型误差最大.结论 多级串联配准网络模型有助于提高配准大形变图像的精度.

目的 提出一种单图谱标签迁移算法并命名为Multi-Angle,以期在队列分析中快速有效提取与神经退行性疾病相关的MR脑影像标记物和解剖结构.方法 首先对初始图谱图像施加旋转变换,获得旋转图谱图像组;其次为主配准网络送入合并后的初始图谱图像与个体图像,预测形变场及候选标签;再次为副配准网络送入合并后的旋转图谱图像与个体图像,结合主网络相关特征预测候选标签;最后通过投票法融合多个候选标签获得个体图像标签.结果 在Mindboggle101和HCP数据集的实验结果显示,Multi-Angle算法在两个测试集上重要解剖结构Dice相似性系数均值分别为76％和82％,精确率均值为74.0％和77.8％,平均表面距离均值为0.83 mm和0.69 mm,均优于目前主流算法Voxelmorph和Ants-SyN.结论 本文提出的Multi-Angle算法可以快速有效实现脑神经图谱标签迁移并提高评价指标准确度,对神经退行性疾病分析所需的影像特征提取具有潜在的临床应用价值.