科学家经过跨域融合网络，完成图像的有效配准

放射性治疗措施能够经过高强度辐射杀灭癌细胞，有效控制肿瘤扩散、治疗癌症。但是，在此过程中，器官的运动和变形会影响放射治疗位点的精确性，在杀灭癌细胞的同时也会将健康细胞消灭。

为提升放疗精度、减少射线对患癌器官周围健康组织的辐射，科学家提出了图像引导放疗措施，该措施所运用的成像方式是锥束计算机断层扫描技术（CBCT，Cone Beam Computed Tomography）。

普通的 CT 与 CBCT 图像的精确配准在监测患者放疗过程中的器官变更方面至关重要。

但是，由于 CT 与 CBCT 图像具有极大的结构差别与倾向，会呈现 CBCT 图像中解剖结构边沿含糊、CBCT 与 CT 图像不分歧等问题，严重影响疾病的正确诊治。因而，CT 与 CBCT 图像的精确配准仍具有极大的应战性。

（来源：Computer Methods and Programs in Biomedicine）

为处置在配准过程中呈现的一系列问题，中国科学院苏州生物医学工程技术研讨所杨晓冬研讨员与团队提出跨域融合网络（CDFRegNet，Cross-Domain Fusion Registration Network）技术。

这种技术能够从梯度图像中获取边沿信息，并对两个图像域之间的空间对应关系中止建模，以有效地将 CT 与 CBCT 图像中止配准。

（来源：Computer Methods and Programs in Biomedicine）

近日，相关论文以《从 CT 到锥束 CT 的跨域融合配准网络 CDFRegNet》（CDFRegNet：A Cross-domain Fusion Registration Network for CT-to-CBCT Image Registration）为题，发表在 Computer Methods and Programs in Biomedicine 上[1]。

跨域融合配准网络的两个模块

研讨者首先设计出边沿引导留意模块（EGAM，Edge-Guided Attention Module）。该模块能够基于梯度先验图像获取边沿信息，并引导网络对两个图像域之间的空间对应关系中止建模。

仰仗创新的算法，EGAM模块能够精确模仿出 CT 和 CBCT 图像中的空间对应关系，从而应用 CT 图像的牢靠边沿指导 CBCT 图像中止特征提取。

（来源：Computer Methods and Programs in Biomedicine）

此外，研讨人员还提出跨域留意模块（CDAM，Cross-Domain Attention Module），包含全局跨域语义分支、部分留意分支和跨域映射分支，用来将不同图像域的特征映射到公共空间并中止有效融合。

（来源：Computer Methods and Programs in Biomedicine）

细致来讲，CDAM 模块能够未来自 CBCT 和 CT 域的特征映射中止拼接，然后，将其输入特征融合模块（FFM，Feature Fusion Module），应用 FFM 聚合来自多域特征的全局语义信息，并提取两个域之间的相关特征。

该操作在全局语义途径中，采用全局化操作和卷积操作提取到全局信息。两个卷积层未来自两个输入域的特征重新组合，并生成用于重新映射特征 Zv 的跨域留意映射。

下一步，CDAM 模块在残差融合途径中应用全局语义途径输出特征映射 ZM，经过乘法和加法对多域特征 ZV 中止重权融合。在跨域映射分支中，该团队开发出具有全局跨域语义和部分细致信息的留意特征图 Xa 与 Xv，并将二者互乘，完成 CDAM 模块操作。

（来源：Computer Methods and Programs in Biomedicine）

最后，研讨者将 EGAM 和 CDAM 两个模块分离，设计出全新的 CDFRegNet，可应用于小型数据集的配准。

跨域融合配准网络的有效性考证

为考证 EGAM 和 CDAM 两个模块在进步网络配准性能方面有效性，研讨者还选择了两种具有代表性的传统算法和三种基于深度学习的算法，中止比较评价实验。

在比较评价实验中，传统的配准措施包含基于强度匹配的配准措施和空间区域加权相关比相似度配准措施。基于深度学习的算法包含 Voxel Morph、Xu-Net、Duan-Net。

结果表明，EGAM 模块的参与对配准网络有明显的改善，证明了 EGAM 能够有效地引导网络关注两个不同区域图像中相同的解剖边疆。

（来源：Computer Methods and Programs in Biomedicine）

此外，为定量评价 CDFRegNet 的配准性能，研讨人员还将 CDFRegNet 与上述五种具有代表性的配准措施中止了比较。

值得留意的是，CDFRegNet 在一切与精确性相关的指标上都具有最佳性能。结果表明，极大似然估量、注册目的错误和不肯定性相似系数分别抵达 1.50mm、2.27mm 和 80.01%。

实验结果显现出，CDFRegNet 在 CT 与 CBCT 的配准过程中是有效的，能够避免配准过程中呈现数据集范围缺乏的问题。

为进一步进步 CDFRegNet 配准精度，研讨者还需求在完好图像数据集上锻炼 CDFRegNet。此外，图像中器官边疆的连续性关于进一步进步 CT-CBCT 配准的精确性至关重要。

因而，研讨人员在接下来的实验中将研讨器官图像边沿的特性，并充沛应用这些特性提升 CT-CBCT 的配准速度和精确性。

参考资料：

1.Yuzhu Cao et al. Computer Methods and Programs in Biomedicine 224, 107025(2022). https://doi.org/10.1016/j.cmpb.2022.107025