基于多任務網(wǎng)絡的多模態(tài)肝臟MRI配準方法研究

于 航 鄭忍成 李若坤 王成彥 王 鶴,

肝細胞癌（hepatocellular carcinoma， HCC）是一種發(fā)病率高且死亡率高的癌癥，嚴重威脅著人類的健康［1］。磁共振成像（magnetic resonance imaging，MRI）憑借其良好的軟組織對比度，對人體無輻射的特性，是目前臨床中首選的肝臟成像方案。在HCC的診斷中，許多成像技術都可以鑒別出較大的腫瘤區(qū)域，但這些對于晚期HCC 的檢測結果通常錯過了最佳治療時期，因此在早期階段準確地檢測出尺寸較小， 影像學征象不明顯的小肝癌 （small hepatocellular carcinoma， sHCC）至關重要。在臨床上， 聯(lián)合動態(tài)對比增強（dynamic contrast -enhanced， DCE）MRI 和彌散加權成像（diffusionweighted imaging， DWI），可以大幅提升對HCC 的診斷率［2-3］。但由于DCE和DWI兩種模態(tài)的影像采集時間不同，患者會由于呼吸、心跳和腹腸蠕動等因素出現(xiàn)不可避免的運動，從而造成圖像錯位現(xiàn)象。這些錯位情況將會對DWI 與DCE 的聯(lián)合分析，尤其是小肝癌的檢出造成嚴重干擾，因此需要對多模態(tài)影像進行配準以減輕這種錯位現(xiàn)象。除了錯位問題，DWI與DCE 之間較大的對比度差異，使得精確配準存在較大難度，因此配準算法的精確度直接影響了小肝癌的識別與診斷。

在臨床診斷中，針對DWI 和DCE 的配準問題通常會使用現(xiàn)成的基于傳統(tǒng)方法的配準工具包進行，例如ANTs（Advanced Normalization Tools），這種傳統(tǒng)的醫(yī)學圖像配準方法通常都有一定程度的局限性，普遍存在耗時過長，泛化性差，計算較為復雜等缺點。而近十年來，深度學習技術憑借其高效的特征提取能力，較快的推理速度和廣泛的應用范圍等優(yōu)點，廣泛應用于配準，分割，檢測，分級，重建等領域，較大程度上減輕了醫(yī)生的診斷負擔。……