基于深度学习的跨模态MR-CT配准技术，用于脑转移瘤放射治疗，具备多尺度特征优化及脑干定位引导功能

《Scientific Reports》：Deep learning-based cross-modal MR-CT registration for brain metastases radiotherapy with multi-scale feature refinement and brainstem guidance

　　

摘要

在脑转移瘤放射治疗中，精确的多模态可变形配准对于准确界定靶区至关重要。然而，由于模态间的显著差异以及复杂的解剖结构变形，实现稳健的对齐颇具挑战性。本研究提出了一种基于Transformer的增强型配准框架，以改进跨模态空间对应关系的建模。我们引入了MSFRTransMorph，它是TransMorph架构的多尺度特征细化（MSFR）扩展。该细化模块旨在加强层次化特征之间的交互，并提升细粒度变形建模能力。训练过程中使用脑干分割作为解剖学指导，未使用肿瘤标注数据。该模型在141对脑转移瘤患者的MR-CT图像对上进行训练并进行了评估。配准性能通过Dice相似系数（DSC）、第95百分位Hausdorff距离（HD95）和基于Jacobian的变形指标进行评估。MSFRTransMorph在脑干和总体肿瘤体积（GTV）的配准精度上均表现出色，GTV的DSC为74.25?±?10.61%，HD95为16.92?±?22.03毫米。然而，体积重叠的增加伴随着局部变形折叠比例的上升，表明拓扑规则性有所降低。所提出的多尺度细化机制增强了跨模态特征表示能力，并提高了MR-CT配准的体积对齐精度。配准精度与变形稳定性之间的权衡凸显了在高容量基于Transformer的配准框架中明确平衡对齐精度和拓扑合理性的重要性。