然而，由于CT和CBCT圖像之間的灰度差異、結(jié)構(gòu)信息不一致、CBCT圖像質(zhì)量差等因素的干擾，快速準(zhǔn)確的CT-to-CBCT圖像配準(zhǔn)算法研究仍然具有很大的挑戰(zhàn)性（圖1）。傳統(tǒng)配準(zhǔn)算法普遍采用迭代式的優(yōu)化算法，運(yùn)行時(shí)間較長，實(shí)時(shí)性差。目前，相關(guān)研究工作前沿主要集中于利用深度學(xué)習(xí)理論研究快速、準(zhǔn)確的配準(zhǔn)方法。但是，這些工作面對CBCT和CT圖像域之間的分布差異，以及CBCT中的噪聲偽影干擾，并沒有進(jìn)行深入研究。

　　針對上述問題，中國科學(xué)院蘇州生物醫(yī)學(xué)工程技術(shù)研究所楊曉冬課題組等提出了一種基于邊界梯度引導(dǎo)和跨域特征融合的配準(zhǔn)算法。該算法整體結(jié)構(gòu)包含兩個(gè)重要模塊（圖2）：邊界引導(dǎo)注意力模塊（EGAM）和跨域注意力模塊（CDAM），共同組成了跨域融合的配準(zhǔn)網(wǎng)絡(luò)。該網(wǎng)絡(luò)分別利用兩個(gè)相同結(jié)構(gòu)的卷積流，以非耦合的方式分別提取CT和CBCT兩個(gè)圖像域中特有的圖像特征。此外，邊界引導(dǎo)注意力模塊充分挖掘梯度圖像的邊界信息，引導(dǎo)配準(zhǔn)網(wǎng)絡(luò)建模CT和CBCT中相關(guān)解剖結(jié)構(gòu)之間的對應(yīng)關(guān)系，并抑制CBCT中的噪聲偽影；跨域注意力模塊利用全局和局部信息引導(dǎo)來自兩個(gè)圖像域的特征映射至一個(gè)公共空間，以緩解圖像域之間的分布差異。

　　該算法在真實(shí)的臨床CT-CBCT數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，與其他先進(jìn)的配準(zhǔn)方法相比取得了最優(yōu)性能。與傳統(tǒng)的配準(zhǔn)方法相比，該方法在TRE、DSC、MHD指標(biāo)上均獲得顯著提升。其中，TRE誤差從4.00mm降低至2.27mm，DSC指標(biāo)從74.02%提升到了80.01%，MHD距離也從1.62mm降低至1.50mm。在同樣的硬件條件下，該方法在運(yùn)行速度上有近10倍的提升。此外，該算法還在公開肺部4D-CT數(shù)據(jù)集（Dir-Lab）上取得了具有競爭力的配準(zhǔn)性能，展現(xiàn)了該方法在單模圖像配準(zhǔn)中的潛力。未來，團(tuán)隊(duì)將會針對圖像引導(dǎo)放療中多模態(tài)影像配準(zhǔn)的痛點(diǎn)問題，進(jìn)行更加深入的研究，助力臨床放療精度和療效的提升。

　　相關(guān)研究成果以CDFRegNet: A Cross-domain Fusion Registration Network for CT-to-CBCT Image Registration為題發(fā)表在Computer Methods and Programs in Biomedicine上。研究工作得到山東省自然科學(xué)基金、蘇州市科學(xué)技術(shù)局、江蘇省衛(wèi)生健康委員會、常州市醫(yī)學(xué)物理重點(diǎn)實(shí)驗(yàn)室等項(xiàng)目的支持。

　　論文鏈接  

圖1 CBCT和CT相同解剖位置處圖像

圖2 (a)CDFRegNet網(wǎng)絡(luò)框架；（b）EGAM模塊網(wǎng)絡(luò)結(jié)構(gòu)；（c）CDAM模塊網(wǎng)絡(luò)結(jié)構(gòu)

表1 不同方法的定量結(jié)果

圖3 不同配準(zhǔn)方法的可視化結(jié)果