部分乳腺容积旋转调强放疗中基于大变形多模配准的肿瘤定位跟踪

结题报告

项目介绍

AI项目解读

基本信息

批准号：
61871374
项目类别：
面上项目
资助金额：
60.0万
负责人：
谢耀钦
依托单位：
中国科学院深圳先进技术研究院
学科分类：
F0125.医学信息检测与处理
结题年份：
2022
批准年份：
2018
项目状态：
已结题
起止时间：
2019-01-01 至2022-12-31

项目参与者：
张光伟；余绍德；付楠；陈垦；伍世宾；秦文健；梁晓坤；张志诚；李雅芬；
关键词：
图像配准多模影像融合部分乳腺放疗三维超声引导容积旋转调强放疗

项目摘要

Breast cancer is one of the most popular malignant tumors for women. Prone-position couch arc rotation-based volumetric modulated therapy studied in this project can avoid heart from radiation during radiotherapy. In this application, to tackle the issue of remarkable deformation of breast in supine and prone position during interfractional therapy, based on the previous research of deformable registration and segmentation, a segmentation-based surface registration is proposed, and then a multi-modality registration method based on deep convolutional neural network is proposed to extract multi-modality features and obtain positioning CT. To track the intrafractional motion of tumor real-time with electrical portal imaging device (EPID) images, based on the previous research of tumor tracking using two orthogonal projection images, a new method of feature extraction using only one EPID image is proposed to overcome the shield of multi-leaf collimator to the EPID, which can fulfill the 2D/3D, global/local and MV/KV registration. The proposed methods will lay a good foundation for the realization of high precise image guidance without additional doses during Partial Breast VMAT.

乳腺癌是妇女最常见的恶性肿瘤之一，本项目所研究的基于床旋转的俯卧位容积旋转调强放疗可以使心脏在治疗中避免射线的照射。本项目在摆位阶段采用超声引导，针对乳腺俯卧位和仰卧位形变大的特殊问题，在前期弹性配准和分割的研究工作基础上，提出了采用基于自动分割的方法实现乳腺的表面配准，并进一步采用深度残差U型卷积神经网络提取多模特征，实现CT/超声的三维影像配准，从而获取摆位CT影像；针对治疗实施过程中所采集的电子射野影像(EPID)被多叶光栅部分遮挡的问题，在前期采用两幅正交投影像进行跟踪的基础上，进一步提出了采用单幅EPID投影像，用特征提取的方法进行三维、全局、KV级摆位CT影像与二维、局部、MV级EPID影像之间的配准，从而实现肿瘤的定位跟踪。由于超声引导摆位和EPID引导肿瘤跟踪均不增加额外的受照剂量，这些新方法的提出对有效降低患者的受照剂量，提高治疗的疗效具有重要的临床意义。

结项摘要

乳腺癌是妇女最常见的恶性肿瘤之一，本项目所研究的基于床旋转的俯卧位容积旋转调强放疗可以使心脏在治疗中避免射线的照射，在治疗过程中需要多模态影像引导。由于乳腺的软组织在俯卧位和仰卧位形变大的特殊问题，本项目提出了一种基于深度学习的无监督端到端的残差递归级联网络，实现乳腺仰卧位到俯卧位大形变配准。该网络采用多个网络级联的方式将乳腺图像之间的大形变配准问题分解成若干个小形变配准问题，网络中包含仿射变换、弹性配准子网络，该方法得到的归一化互相关值为0.982，归一化互信息值为0.937，变形场的雅克比行列式中小于等于零的数量占比仅为0.059，表明我们的配准方法可以得到较好的配准性能；针对治疗实施过程中所采集的电子射野影像(EPID)被多叶光栅部分遮挡的问题，本研究尝试使用两幅正交角X射线投影的数据，使用深度学习特征提取的方法与CT影像进行配准，结果表明，Dice相似度和归一化互相关分别大于0.97和0.92，配准时间小于1.2秒。这些新方法的提出对有效降低患者的受照剂量，提高治疗的疗效具有重要的临床意义。