用于肺部4D CT通气成像的半监督运动与解剖双感知融合网络

《Artificial Intelligence in Medicine》:Semi-supervised motion and anatomy dual aware fusion network for lung 4D CT ventilation imaging

【字体: 大 中 小 】 时间:2026年10月14日 来源:Artificial Intelligence in Medicine 7.8

编辑推荐:

   **摘要要点** • 提出了一种用于肺通气成像的半监督运动-解剖融合网络。 • 运动引导的解剖密度增强能够捕捉呼吸相关的密度变化。 • 自注意力与交叉注意力机制对齐并融合运动特征与解剖密度特征。 **引言** 肺通气成像能够为区域肺功能提供重要洞察,这对于设计功能性避让放

  

**摘要要点**
• 提出了一种用于肺通气成像的半监督运动-解剖融合网络。
• 运动引导的解剖密度增强能够捕捉呼吸相关的密度变化。
• 自注意力与交叉注意力机制对齐并融合运动特征与解剖密度特征。

**引言**

肺通气成像能够为区域肺功能提供重要洞察,这对于设计功能性避让放疗方案至关重要[1]。在临床实践中,大多数通气成像技术,例如基于99mTc的单光子发射计算机断层扫描(SPECT)[2,3]或基于68Ga的正电子发射断层扫描(PET)[4,5],都依赖放射性气体或造影剂以及电离成像设备。然而,这些方法受限于成像速度慢、患者等待时间长,以及需要昂贵的成像设备和示踪气体,这极大地制约了其临床应用。

为解决这些局限性,一些研究者尝试从四维计算机断层扫描(4D CT)中推导肺通气图像。与传统功能成像模态(如SPECT或PET)相比,4D CT在可及性、成本效益和临床实用性方面具有显著优势,因为它通常在放疗计划期间常规采集,无需额外的成像程序或放射性示踪剂。4D CT图像由呼吸过程中连续扫描获得的一系列三维CT图像组成。它不仅提供具有相位分辨力的组织运动三维可视化信息,还提供关于肺组织内部空间分布和密度变化的宝贵洞察。

根据文献[6],CT图像中的亨氏单位(HU)值反映了肺内解剖结构的密度(即气体与组织的比值)。因此,一些传统的基于4D CT的通气成像(CTVI)方法通过分析配准后的4D CT图像中的HU变化或肺容积变化来估计通气图像。然而,这些直接利用配准输出进行通气成像的方法性能高度依赖于4D CT配准的精度,配准中的微小误差都会显著影响成像结果[7,8]。更重要的是,传统CTVI方法的成像精度较低,难以满足临床要求。

随着深度学习技术的发展,基于深度学习的CTVI方法被广泛应用于各种医学图像处理领域。现有的基于深度学习的CTVI方法通常使用编码器-解码器架构(如U-Net或V-Net)直接从三维或四维CT图像生成通气图像[9,10,11,12,13]。与传统CTVI方法相比,神经网络能够提取CT图像中的复杂空间信息和密度信息,从而实现更高的成像精度。为了进一步提高通气成像精度,最新进展[14]将源自雅可比图的运动特征融入深度学习网络,从而实现更精确的通气图像生成。然而,现有的基于深度学习的CTVI方法仍面临几个重要挑战。特别是,它们尚未充分探索如何有效融合4D CT图像中嵌入的呼吸运动信息和解剖密度变化信息。此外,在仅有有限临床标准通气图像(CSVI)时,实现高精度的估计和模型鲁棒性仍然困难。

从理论上讲,能够从4D CT扫描生成肺通气图像的能力归功于这些4D CT扫描所包含的详尽信息,包括呼吸循环中肺容积的变化和解剖密度的变化。在4D CT图像序列中,每个相位的三维CT都天然携带解剖结构的密度信息。然而,三维CT中的解剖结构密度信息是静态的,需要与运动信息相关联才能感知解剖密度的变化。另一方面,4D CT图像中的运动信息可以通过相位配准提取,变形场的雅可比图定量表示肺容积变化。然而,由于这些信息的异质性,有效融合容积变化和解剖密度变化仍然是一项重大挑战。此外,由于放射性示踪剂和成像设备成本高昂,获取CSVI也具有挑战性。现有的基于深度学习的CTVI方法依赖于有限的标注数据进行全监督训练,导致模型鲁棒性差、临床适用性有限。

为解决这些问题,我们提出了一种用于肺通气成像的半监督运动-解剖双感知融合网络。具体而言,运动信息通过相位配准获得的变形场来捕获,随后通过计算变形场的雅可比行列式得到区域容积变化。然后,设计了一种运动引导的解剖密度增强策略,利用运动信息捕捉解剖密度变化。为了有效融合肺容积变化和解剖密度变化信息,我们设计了一个利用双时间注意力机制的运动-解剖融合模块,以生成鲁棒的融合表示。此外,为解决标注数据有限的问题,我们采用半监督均值教师框架[15]进行模型训练。该半监督框架能够有效利用有限的标注数据和大量未标注数据,以增强模型鲁棒性。本工作的主要贡献如下:

1. 我们提出了一种用于肺通气成像的半监督运动和解剖双感知融合网络。所提框架能够有效融合4D CT图像中嵌入的运动信息和解剖密度变化信息,从而在有限标注数据下实现更精确、更鲁棒的通气估计。

2. 我们提出了一种运动引导的解剖密度增强策略。该策略利用相位配准获得的变形场引导密度变化特征的
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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