Uma estrutura multi-escala com treinamento conjunto não supervisionado de redes neurais convolucionais para registro de imagem deformável pulmonar

Para alcançar um registro de imagem deformável (DIR) preciso e rápido para tomografia computadorizada pulmonar, propusemos uma estrutura multi-escala de DIR com treinamento conjunto não supervisionado de Rede Neural Convolucional (MJ-CNN). A MJ-CNN contém três modelos em níveis multi-escala para um registro DIR de grosso para fino, a fim de evitar ficar preso em um mínimo local. Ela é treinada com base na similaridade da imagem e suavidade do campo de vetores de deformação (DVF), não exigindo supervisão do DVF de verdade. Os três modelos são primeiro treinados sequencialmente e separadamente para suas próprias tarefas de registro, e então são treinados juntos para uma otimização de ponta a ponta sob a estrutura multi-escala. Neste estudo, a MJ-CNN foi treinada usando dados públicos 4D-CT do SPARE. A MJ-CNN treinada foi então avaliada no conjunto de dados público DIR-LAB 4D-CT, bem como em registros clínicos de CT para CBCT e CBCT para CBCT. Para registro inter-fase de 4D-CT, a MJ-CNN alcançou uma precisão comparável aos métodos convencionais baseados em otimização de iteração e mostrou os menores erros de registro em comparação aos métodos de DIR baseados em aprendizado profundo recentemente publicados, demonstrando a eficácia do esquema de treinamento conjunto multi-escala proposto. Além disso, a MJ-CNN treinada usando um conjunto de dados (SPARE) pôde generalizar para um conjunto de dados diferente (DIR-LAB) adquirido por scanners e protocolos de imagem distintos. Além disso, a MJ-CNN treinada em 4D-CT também teve um bom desempenho em registros CT para CBCT e CBCT para CBCT sem qualquer re-treinamento ou ajuste fino, demonstrando a robustez da MJ-CNN contra aplicações e técnicas de imagem. A MJ-CNN levou cerca de 1,4 s para estimar o DVF e não exigiu ajuste manual de parâmetros durante a avaliação. A MJ-CNN é capaz de realizar DIR preciso para CT pulmonar com velocidade quase em tempo real, tornando-a muito aplicável para tarefas clínicas.