Diffeomorphic Transformer-based Abdomen MRI-CT Deformable Image Registration

本文旨在创建一个深度学习框架，能够估计变形矢量场（DVF），以直接配准腹部MRI-CT图像。所提出的方法假设了一个微分同胚变形。通过使用从概率微分同胚配准模型中提取的保持拓扑的变形特征，可以精确获取腹部运动并用于DVF估计。该模型将Swin Transformer集成到卷积神经网络（CNN）中，Swin Transformer在运动跟踪方面表现出优异的性能，用于提取变形特征。模型使用跨模态图像相似性损失和表面匹配损失进行优化。为计算图像损失，使用了变形的MRI和CT图像之间的模态无关邻域描述符（MIND）。表面匹配损失是通过测量MRI和CT图像上结构轮廓的变形坐标之间的距离来确定的。使用变形的MRI图像与CT图像之间的目标配准误差（TRE）、Dice相似系数（DSC）和变形轮廓的平均表面距离（MSD）来评估。与仅刚性配准相比，采用所提出的方法的DIR使得肝脏和门静脉的平均DSC值从0.850和0.628增加到0.903和0.763，肝脏的平均MSD从7.216 mm降至3.232 mm，TRE从26.238 mm降至8.492 mm。基于微分同胚变换器的所提出的可变形图像配准方法提供了一种有效和高效的方法，可以从腹部MRI-CT图像对中生成准确的DVF。它可以用于当前的肝脏放射治疗治疗计划工作流程中。

本文旨在创建一个深度学习框架，用于直接注册腹部MRI-CT图像并估计变形向量场（DVF）。这篇论文的目标是解决如何在MRI和CT图像之间进行精确的变形图像配准的问题。

本文提出了一种假设为微分同胚的变形方法，并利用从概率微分同胚配准模型提取的保持拓扑的变形特征来准确获取腹部运动并用于DVF估计。该模型将Swin Transformer集成到卷积神经网络（CNN）中进行变形特征提取，使用跨模态图像相似度损失和表面匹配损失进行优化。

本文使用了MIND来计算图像相似度损失，使用MRI和CT图像上轮廓结构的表面匹配损失来度量变形后的MRI图像与CT图像之间的相似度。实验结果表明，与仅进行刚性配准相比，使用本文提出的方法的DIR可以使肝脏和门静脉的平均DSC值从0.850和0.628增加到0.903和0.763，肝脏的平均MSD从7.216 mm降至3.232 mm，TRE从26.238 mm降至8.492 mm。

最近在这个领域中，还有一些相关的研究，如“Deep Learning for Joint CT and MR Abdominal Segmentation”，“Diffeomorphic Registration with Convolutional Neural Networks”，“Diffeomorphic Nonrigid Image Registration with Robust Feature Extraction and Selection”。