RADMorph:一种区域感知的形变配准网络,用于器官特定的胸部 CT 对齐
《Computerized Medical Imaging and Graphics》:RADMorph: A region-aware deformable registration network for organ-specific thoracic CT alignment
【字体:
大
中
小
】
时间:2026年10月12日
来源:Computerized Medical Imaging and Graphics 5.5
编辑推荐:
•该模型通过自适应特征聚类和动态滤波来区分区域运动。•区域中心距离提供运动先验信息以约束形变。•所提出的方法在放射治疗中轮廓传播的多中心准确性方面表现出色。
引言
胸部计算机断层扫描(CT)在现代肺癌和乳腺癌放射治疗中发挥着关键作用(Fajersztajn等,2013;B
•该模型通过自适应特征聚类和动态滤波来区分区域运动。•区域中心距离提供运动先验信息以约束形变。•所提出的方法在放射治疗中轮廓传播的多中心准确性方面表现出色。
引言
胸部计算机断层扫描(CT)在现代肺癌和乳腺癌放射治疗中发挥着关键作用(Fajersztajn等,2013;Bradley和Mendenhall,2018;Beaton等,2019;Mac Manus和Hicks,2012)。常规CT扫描通常在自由呼吸(FB)条件下采集。它们提供了肿瘤范围、肺实质以及心脏和大血管等关键器官的基线描绘。这些图像通常用于靶区勾画、危及器官(OARs)勾画和治疗计划制定。
仅有常规CT扫描通常不足以应对考虑呼吸运动的临床工作流程。额外的成像包括深吸气末屏气(DIBH)采集(Mast等,2013;Yeung等,2015)和相位分辨的四维CT(4DCT)(Wolthaus等,2006;Zhao等,2019)。这些技术能够捕捉整个呼吸周期中肺、心脏和胸壁的运动。在左侧乳腺癌的放射治疗中,DIBH增加了心脏与胸壁之间的距离,同时扩大了肺容量。这一变化改善了靶区覆盖并减少了对心脏和肺的辐射暴露(即保护正常组织)(Lyu等,2026)。对于肺癌和其他胸内恶性肿瘤,多相CT数据支持考虑呼吸运动的治疗计划制定。它们还支持靶区勾画(Yagihashi等,2025;Guckenberger等,2017)、跨治疗分次的剂量累积以及治疗反应评估(Glide-Hurst等,2008;Liu等,2019)。
呼吸状态之间的准确对应关系对于这些工作流程至关重要。放射肿瘤医师可能将轮廓从高质量参考扫描转移到其他呼吸相位(Hardcastle等,2013;Weistrand和Svensson,2015;Paganelli等,2018),在共同解剖框架中评估累积剂量(Dong等,2026),或从多相成像中推导区域肺功能的定量替代指标(Yamamoto等,2014;Hegi-Johnson等,2019)。如果没有可靠的形变配准,这些任务需要反复进行手动勾画和视觉检查。该过程耗时、依赖操作者,且难以在多个中心之间扩展。
胸部的呼吸运动也非常复杂。肺组织经历非刚性扩张和收缩,膈肌在自由呼吸和深吸气之间可移动数厘米。心脏和纵隔发生不均匀的平移和旋转。肺与胸壁之间的滑动运动、肺膨胀的区域差异、气体含量变化以及重建伪影引入了进一步的光强度变化和本地拓扑变化(Tortora和Grabowski,2003)。这些因素共同使得呼吸相位之间的大形变配准变得复杂。残余误差可能传播到下游任务,如轮廓传播、剂量累积和功能分析,从而限制了多相胸部CT的临床效用。
形变图像配准被广泛用于建立呼吸相位之间的体素级对应关系(Kashani等,2008;Castillo等,2009)。经典的胸部配准通常优化一个平衡图像相似度与形变场正则化的能量函数(Gorbunova等,2012;Yin等,2009)。代表性方法包括光流法(Yang等,2008)、微分同胚模型(Vercauteren等,2009;Cao等,2005;Beg等,2005;Avants等,2008)、统计框架(Ehrhardt等,2011;Heinrich等,2013)以及通用工具包(Klein等,2010;Avants等,2014)。这些方法在许多解剖区域表现可靠,但在实践中,大形变肺配准仍然具有挑战性。迭代优化计算开销大且对初始化敏感。因此,大的呼吸位移可能导致收敛不稳定。传统算法还依赖于手工设计的相似性度量指标和通用的形变正则化,这限制了它们捕捉复杂、区域特异性肺运动的能力。基于深度学习的方法使用数据驱动先验信息以实现快速推理和提高鲁棒性,为肺CT大形变配准提供了一种可扩展且自适应的方法(Fu等,2020a;Chen等,2025;Xiao等,2023;Zheng等,2026)。遥感视频中的形变对齐研究提供了相关的设计视角(Xiao等,2022;Xiao等,2025)。多尺度可变形卷积、动态核库和多轴特征聚合比固定卷积更灵活地适应运动和非均匀局部模式。尽管这些方法是为视频超分辨率而开发的,但它们凸显了自适应对齐和特征多样性的价值,这对于具有区域依赖性呼吸运动和外观变化的胸部CT同样适用。
基于深度学习的方法可分为三类。第一类是单通道网络,它们在单次前向传播中从运动-固定CT对中预测形变场。VoxelMorph(Balakrishnan等,2019)通过从图像对到形变场学习无监督映射建立了这一范式。它相比迭代配准实现了显著的速度提升,同时保持了有竞争力的准确性。最近出现的混合模型,如TransMorph(Chen等,2022),保留了单通道公式,并引入Transformer模块来捕捉体积配准中的长程上下文。随后的胸部研究将此方法适配到呼吸成像和其他领域(Jia等,2022;Shi等,2022;Iqbal等,2024;Ding等,2023;Han等,2025)。这些架构计算效率高且端到端可微分。它们也不需要显式的对应关系标注,这使得它们对大规模研究和时间敏感的胸部成像工作流程具有吸引力。然而,它们通常假设空间均匀的正则化,主要依赖光强度一致性,这使得区域非均匀运动难以捕捉。
第二类工作通过替代解剖监督来应对大的呼吸运动。这些网络也从运动-固定CT对中预测密集位移场(DDF)。在训练过程中,图像相似度与结构约束(如掩膜重叠、地标距离或关键点一致性)联合优化。因此,所得到的变形同时对齐了图像光强度和解剖结构。基于关键点或地标监督的方法使用稀疏的解剖对应关系来指导形变预测(Zhu等,2024;Hu等,2020;Matkovic等,2024;Hansen和Heinrich,2021)。例如,DART使用掩码自编码器学习鲁棒的关键点特征,并将其作为肺CT运动估计的锚定约束。其他解剖引导方法纳入了显式的结构先验信息,包括肺掩膜、纵隔边界和胸壁轮廓(He等,2022;Hering等,2021;Duan等,2023)。这些替代信号可以稳定大位移下的学习并改善临床相关结构的对齐。然而,此类方法依赖于可靠的掩膜或地标。这些标注成本高昂,可能因扫描仪和机构而异,并且通常只覆盖部分解剖结构。
第三类方法使用多阶段细化来应对大的呼吸形变。这些方法将困难的大形变配准问题分解为一系列较简单的子任务。递归或级联网络依次应用多个形变阶段。每个阶段将运动图像变形得更接近固定图像,后续阶段则细化残余形变(Pang等,2017;Zhao等,2020;Hu等,2022;Zou等,2024;Xue等,2025)。金字塔或从粗到精的网络为运动和固定扫描构建多分辨率表示。在单一模型内部,它们从粗到精估计形变场(Mok和Chung,2020;Lu等,2024;Jiang等,2020;Tan等,2024)。从全局到局部的网络先估计全局对齐,然后细化特定解剖区域或子体积以捕捉精细的非刚性运动(Fu等,2020b;Lei等,2020;Zhao等,2023)。这些设计改进了收敛性,减少了折叠,并更有效地捕捉了大的膈肌位移。它们的主要局限性在于架构和训练复杂性更高,以及对阶段耦合的敏感性。
基于深度学习的配准框架已经实现了高精度和速度,但在大的呼吸运动下仍有两个问题未得到解决。首先,大多数网络将胸腔视为均质结构,并在所有区域应用相同的卷积滤波器。这种设计没有明确考虑不同肺叶和器官的不同运动模式。如表1所示,肺叶之间以及肺和心脏之间的平均扫描间位移及其标准差存在显著差异。这些差异表明呼吸运动存在明显的区域异质性。不编码区域特异性行为的模型可能平滑这些差异,降低对精细解剖细节的敏感性,并降低分割转移的一致性。其次,现有方法很少使用基于区域位移的显式调制。因此,运动幅度和方向不能直接由解剖区域之间的相对位置所启发。模型可能会低估或高估局部形变,特别是在自由呼吸和DIBH采集之间体积变化极端时。
我们提出了一种统一架构,结合了金字塔细化、自适应区域感知和距离调制的形变建模。金字塔组件以逐渐精细的分辨率估计形变场,并以从粗到精的方式组合它们。这一过程支持在大的呼吸运动下实现稳定对齐,同时保留精细的结构细节。在该框架内,自适应区域特征编码器(ARFE)提取区域特异性特征,以区分不同区域和周围器官的非均匀运动学特性。区域中心位移调制器(RCDM)利用从区域对应关系中导出的轻量级区域运动幅度先验信息来调制局部形变估计。这些组件共同构成了RADMorph,一种结合全局结构匹配与局部运动建模的配准模型,旨在改善整个呼吸范围内的解剖对齐。
问题表述
设????3表示物理图像域。固定图像和运动图像分别表示为????:??→?和????:??→?。形变配准估计一个空间变换??:??→??以建立解剖对应关系。在该变换下,变形后的运动图像????°??与????对齐。我们用形变场??:??→?3来参数化??:
??(??) = ?? + ??(??),??∈??,
其中??表示物理空间中的一个坐标。通用的变分目标函数?(??)平衡图像相似度与形变
数据集
我们使用了公开和机构数据集,代表了两种互补的采集范式。时间分辨4DCT在多个相位上采样呼吸周期。在自由呼吸和DIBH条件下采集的配对静态扫描代表了两种极端的呼吸状态。这些数据集共同允许在平滑变化的周期内运动和胸部肿瘤学工作流程中典型的显著状态间差异两种条件下评估大形变配准。
4DCT数据包括DIR-Lab 4DCT
可视化图
图4在一个来自FB-DIBH测试集的代表性案例上比较了各方法。在这个大形变案例中,RADMorph变形后的图像在全局肺形状和局部解剖结构方面都与固定CT紧密匹配。残差差异图在大多数肺区域得到减小。这种模式表明,区域感知调制和距离自适应形变估计有助于恢复广泛的呼吸位移和局部变化。
基线方法产生了不同的
讨论
胸部形变配准仍然具有挑战性,因为呼吸运动在不同解剖结构之间变化很大。肺扩张、膈肌位移、心脏运动和滑动界面在胸部不同区域产生不同的形变模式。本研究的主要发现是,显式建模区域运动特性可以提高大呼吸形变下的配准鲁棒性。RADMorph设计聚焦于区域感知运动
结论
我们提出了RADMorph,一种用于大且非均匀呼吸运动下胸部CT对齐的区域感知形变配准框架。RADMorph没有假设空间均匀的形变特性,而是显式考虑了呼吸运动的区域变化。其自适应区域特征编码器(ARFE)学习潜在的区域特异性运动表示,而区域中心位移调制器(RCDM)将区域运动先验信息纳入其中以细化
CRediT作者贡献声明
Dong Jia-shu:原稿撰写、可视化、验证、软件、方法论、调查研究、正式分析、数据管理、概念构思。Wang Rui:原稿撰写、验证、资源提供、方法论、调查研究、正式分析、数据管理、概念构思。Yang Luyao:原稿撰写、可视化、调查研究、数据管理。Zhang Zhiheng:数据管理。Zhang Gaolong:资源提供。Geng Lisheng:资源提供。Liu Yahua:资源提供。Zhong Qiuzi:
利益冲突声明
作者声明他们没有已知的可能影响本文所述工作的财务利益或个人关系。
致谢
本研究部分得到国家自然科学基金(编号12575358)、北京市自然科学基金(编号L246073)、"111中心"(编号B20065)以及中央高校基础研究基金的支持。
Dong Jia-shu | Wang Rui | Yang Luyao | Zhang Zhiheng | Zhang Gaolong | Geng Lisheng | Liu Yahua | Zhong Qiuzi | Zhao Wei
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号