在线自适应放疗中的医学图像非刚性并行配准关键技术研究

The accuracy and real-time performance of medical image non-rigid registration algorithms play an important role in improving the therapeutic effect of adaptive radiotherapy. For the registration of four-dimensional medical images acquired in adaptive radiotherapy, many non-rigid registration algorithms have low accuracy and slow execution speed, which can not meet the accuracy and real-time requirement of adaptive radiotherapy. In this project, to solve the problem of the poor accuracy and slow speed of medical image non-rigid algorithms in adaptive radiotherapy, we will study medical image non-rigid registration algorithms from four perspectives: geometric deformable model, similarity measure, optimization strategy and parallel acceleration. The main research contents include: (1) Large scale geometric deformable model based on the prior characteristics of medical images; (2) Similarity measure learning methods based on deep unsupervised feature representation; (3) Adaptive and parallel optimization strategy combined with global and local optimization; (4) Parallel framework of medical image non-rigid registration based on GPU. The above researches will effectively improve the accuracy and real-time performance of non-rigid medical image registration algorithms, and improve the therapeutic effect of adaptive radiotherapy, and provide theoretical foundation and technical support for medical image non-rigid registration algorithms are effectively applied in adaptive radiotherapy.

医学图像非刚性配准算法的精确性和实时性对提高在线自适应放疗的治疗效果具有举足轻重的作用。针对在线自适应放疗中带时序的四维医学图像配准时所采用的非刚性配准算法的精确性较低且执行速度慢，难以满足在线自适应放疗的精确性和实时性需求的问题，本项目拟从大尺度几何形变模型、相似性测度、优化策略和并行加速四个方面对医学图像非刚性配准算法进行研究，主要研究内容包括：(1)基于医学图像先验特征的大尺度几何形变模型；(2)基于无监督深度特征表示的相似性测度学习方法；(3)结合全局和局部寻优的自适应并行优化策略；(4)基于GPU的医学图像非刚性并行配准框架。通过以上研究，改善医学图像非刚性配准算法的精确性和实时性，提高在线自适应放疗系统的治疗效果，为推进在线自适应放疗技术的发展和应用提供理论基础和技术支持。

本项目针对在线自适应放疗中医学图像非刚性配准算法的精确性较低且执行速度慢的问题，对医学图像非刚性配准方法展开研究。主要研究内容包括：. （1）针对复杂组织器官运动的医学图像非刚性配准。针对胸腹部等具有复杂组织器官运动的医学图像，提出了基于层次邻域谱特征的微分同胚Demons非刚性配准算法；针对Demons算法对大形变图像进行配准时精确性和效率较低的问题，提出了基于形变引导正则化的医学图像Demons快速配准算法，提出了基于自适应各向异性的医学图像Demons配准算法。. （2）基于无监督端到端学习的医学图像非刚性配准。为了有效提升配准算法的执行效率，研究了基于无监督学习的医学图像配准框架，并设计了基于多尺度特征融合注意力的无监督医学图像配准网络、基于级联卷积神经网络的医学图像非刚性配准网络、基于多尺度位置感知的脑部MR图像配准网络。. （3）基于组织器官轮廓匹配度的医学图像非刚性配准。为了引入组织器官轮廓信息来引导配准过程并提升配准结果的精确性，研究了基于组织器官轮廓匹配度的医学图像非刚性配准。另外，结合有监督和半监督学习，提出了多个精确提取组织器官轮廓的医学图像分割方法，为将组织器官轮廓应用于图像配准来提升配准精确性奠定了良好的研究基础。. （4）基于深度神经网络的特征提取与融合。针对孪生网络忽略不同层级差异特征之间的关联导致检测精度低的问题，提出了基于差异特征融合的无监督图像变化检测算法。由于图像复杂性以及目标形状和大小变化导致传统多尺度特征提取方法特征提取效果不佳的问题，提出了一种多模态多尺度注意力融合网络。另外，提出了一种脉冲数可调的脉冲耦合神经网络模型，并将其应用于图像量化、图像增强等任务中，取得了良好的处理效果。. 以上研究为开发具有自主知识产权的在线自适应重离子放疗计划软件系统和发展重离子放疗技术的提供了理论及技术支持。