通过多模态融合和端到端配准增强合成 CT 来自 CBCT-计算机科学-计算机断层扫描-多模态学习-深度学习.pdf

通过多模态融合和端到端配准增强合成CT来自

CBCT

MaximilianTschuchnig,LukasLamminger,Philipp

Steininger,andMichaelGadermayr

SalzburgUniversityofAppliedSciences,PuchbeiHallein,Austria

MedPhotonGmbH,Salzburg,Austria

UniversityofSalzburg,Salzburg,Austria

maximilian.tschuchnig@fh-salzburg.ac.at

本

译摘要锥束计算机断层扫描（CBCT）因其快速获取图像和低辐射剂量而在

中术中成像中得到广泛应用。然而，与传统的计算机断层扫描（CT）相比，

CBCT图像通常存在伪影且视觉质量较低。一种有前景的解决方案是合成

1

vCT（sCT）生成，即将CBCT体积转换到CT域。在本研究中，我们通

7过多模态学习增强了sCT的生成过程，同时利用术中CBCT和术前CT

6

0数据。为了克服不同模式之间的固有对齐问题，我们在sCT流程中引入了

6一个端到端可学习的配准模块。该模型在一个受控合成数据集上进行了评

0.估，可以精确操纵数据质量和对齐参数。此外，我们还通过两个实际临床

7数据集验证了其鲁棒性和泛化能力。实验结果表明，在多模态sCT生成过

0

5程中集成配准提高了sCT的质量，在个评价设置中优于基线多模态

2方法。值得注意的是，在CBCT质量较低且术前CT适度错位的情况下，

:

v改进效果最为显著。

i

x

r

aKeywords:合成CT·注册·多模态学习·深度学习

1介绍

移动机器人成像系统，如锥形束计算机断层扫描（CBCT）[11]提供实

时、术中成像，便于医疗程序中的引导。这在例如放射治疗[13]中特别有用。

CBCT使用锥形X射线束在一个旋转过程中获取3D图像，减少了采集时

间和辐射暴露。然而，与CT扫描相比[17]，CBCT图像通常具有较低的对

比度噪声比和更多的伪影。

减少CBCT伪影的一种方法，如Altalib等人[1]所强调的，是将高伪影

CBCT体转换为低伪影CT域，使用图像到图像的翻译。sCTs[1,2]力求利用

2M.Tschuchnigetal.

领域优势，在这里是指CBCT的获取速度和移动性，同时通过减少伪影来

提高图像质量。SynthRadGrandChal