多特征学习的肺部4D-CBCT优质重建研究

Image guided radiotherapy (IGRT) stands for the developing trend of radiation oncology nowadays. During the process of radiation therapy for lung cancer, significant motion induced displacement can be occurred in the respiratory cycle. In this case, the current CBCT reconstruction methods can neither get high resolution on line images nor provide accurate tumor location and trajectory information, therefore, the treatment may miss the tumor while bring more complications, which unsatisfied to accurate radiotherapy requirements. Thus, based on our previous CT reconstruction studies, this proposal aims to establish a new multiple feature learning model for high quality 4D-CBCT imaging by removing the homogeneous prior information assumption that most current regularizations are relying on, and to lay the foundation for accurate diagnosis and treatment. The project is around on how to calibrate CBCT projection data effectively, estimate respiratory motion estimation accurately and take full advantage of big clinical data to establish CBCT image feature extraction and training mechanisms. We will particularly investigate the 4D-CBCT reconstruction frameworks base on multiple feature learning, develop efficient and robust optimization algorithms and carry out clinical evaluation and analysis, providing high spatial, density and time resolution lung CBCT images for radiotherapy. This project will pave the way for a new strategy for high-performance 4D-CBCT image reconstruction, and it service for national health and national independent innovation strategic demands.

图像引导放射治疗代表了当今放疗发展的趋势，但在肺部肿瘤放疗过程中，由于呼吸运动产生显著的位移，常规重建的CBCT图像存在“看得不够清、抓得不够准”的局限，即未能获取高分辨的在线影像，难以实现肿瘤的精确定位与跟踪，导致肿瘤漏照和正常器官误照，无法满足精准放疗的要求。囿于此，在申请人前期研究基础上，突破目前常规先验信息的假设，拟构建以特征学习引导的4D-CBCT优质重建新方法，为精准的诊疗奠定基础。项目将围绕如何有效的校正投影数据，如何准确的估计呼吸运动，如何充分利用已有的海量临床数据来建立CBCT图像特征学习机制，来探索4D-CBCT优质重建的理论支撑。着重研究以多特征学习为基础的重建模型，开发高效鲁棒的重建算法并对其进行分析与评价，以期从空间、密度和时间分辨率上提高肺部CBCT成像质量。本项目有望开辟一条全新的高性能4D-CBCT重建思路，聚焦和服务于我国国民健康、自主创新的重大战略需求。

CT及CBCT是当前肺癌临床诊断与治疗的有效技术，但由于扫描时间长、剂量大，我们往往难以获得高质量的图像数据，这直接影响到诊断与治疗效果。因此，研究在不改变扫描模式及时间的情况下，采用重建及图像处理手段，降低病人所受照射剂量，提高成像质量的关键技术，具有明确意义。本项目研究以多特征信息引导的先验模型构建为核心，以面向临床实用的优质CBCT、CT图像重建及处理为主要内容开展研究。总体上，项目建立了包括基于稀疏约束重建和深度学习回归的CT图像重建及处理模型。研究实现了稀疏张量约束重建算法及小波域卷积稀疏编码重建算法；提出了运动补偿学习重建算法；研究了迭代重建估计网络及噪声功率谱损失网络等。所提算法及网络模型在不同数据的验证下，能减缓CBCT重建中由运动导致的模糊及低剂量扫描引起的噪声伪影干扰，可提高成像质量，具有较大的自主创新，其中部分优秀的算法已申请专利并获得授权，未来有望应用于相关企业的CT设备，或医院设备。立项以来累计发表SCI/EI收录论文10篇（其中第一作者或通讯作者均为该项目负责人），部分论文发表在图像成像与分析领域的主流期刊中，如《Physics in Medicine and Biology》、《Methods》和《光学学报》等；累计申请7项专利，授权2项，培养研究生4名，获软件著作权1项，达到预期目标。