然而，由于CT和CBCT圖像之間的灰度差異、結構信息不一致、CBCT圖像質量差等因素的干擾，快速準確的CT-to-CBCT圖像配準算法研究仍然具有很大的挑戰(zhàn)性（圖1）。傳統(tǒng)配準算法普遍采用迭代式的優(yōu)化算法，運行時間較長，實時性差。目前，相關研究工作前沿主要集中于利用深度學習理論研究快速、準確的配準方法。但是，這些工作面對CBCT和CT圖像域之間的分布差異，以及CBCT中的噪聲偽影干擾，并沒有進行深入研究。

　　針對上述問題，中國科學院蘇州生物醫(yī)學工程技術研究所楊曉冬課題組等提出了一種基于邊界梯度引導和跨域特征融合的配準算法。該算法整體結構包含兩個重要模塊（圖2）：邊界引導注意力模塊（EGAM）和跨域注意力模塊（CDAM），共同組成了跨域融合的配準網絡。該網絡分別利用兩個相同結構的卷積流，以非耦合的方式分別提取CT和CBCT兩個圖像域中特有的圖像特征。此外，邊界引導注意力模塊充分挖掘梯度圖像的邊界信息，引導配準網絡建模CT和CBCT中相關解剖結構之間的對應關系，并抑制CBCT中的噪聲偽影；跨域注意力模塊利用全局和局部信息引導來自兩個圖像域的特征映射至一個公共空間，以緩解圖像域之間的分布差異。

　　該算法在真實的臨床CT-CBCT數據集上進行實驗，與其他先進的配準方法相比取得了最優(yōu)性能。與傳統(tǒng)的配準方法相比，該方法在TRE、DSC、MHD指標上均獲得顯著提升。其中，TRE誤差從4.00mm降低至2.27mm，DSC指標從74.02%提升到了80.01%，MHD距離也從1.62mm降低至1.50mm。在同樣的硬件條件下，該方法在運行速度上有近10倍的提升。此外，該算法還在公開肺部4D-CT數據集（Dir-Lab）上取得了具有競爭力的配準性能，展現了該方法在單模圖像配準中的潛力。未來，團隊將會針對圖像引導放療中多模態(tài)影像配準的痛點問題，進行更加深入的研究，助力臨床放療精度和療效的提升。

　　相關研究成果以CDFRegNet: A Cross-domain Fusion Registration Network for CT-to-CBCT Image Registration為題發(fā)表在Computer Methods and Programs in Biomedicine上。研究工作得到山東省自然科學基金、蘇州市科學技術局、江蘇省衛(wèi)生健康委員會、常州市醫(yī)學物理重點實驗室等項目的支持。

　　論文鏈接  

圖1 CBCT和CT相同解剖位置處圖像

圖2 (a)CDFRegNet網絡框架；（b）EGAM模塊網絡結構；（c）CDAM模塊網絡結構

表1 不同方法的定量結果

圖3 不同配準方法的可視化結果