基于时空隐式神经表示学习（STINR）的动态锥束CT重建
摘要：动态锥束CT（CBCT）成像在图像引导放射治疗中非常重要，可以提供具有高空间和时间分辨率的体积图像，实现肿瘤运动跟踪/预测和治疗过程中剂量计算/累积等应用。然而，动态CBCT重建是一个具有挑战性的时空反问题，因为每个CBCT重建仅有极少的投影样本可用（一个投影对应一个CBCT体积）。我们开发了一种同时空间和时间的隐式神经表示（STINR）方法用于动态CBCT重建。STINR将未知图像和其运动演化映射到空间和时间多层感知器（MLPs）中，并通过获取的投影迭代优化MLP的神经元权重，以表示动态CBCT系列。除了MLPs，我们还引入了先验知识，以形式化基于主成分分析（PCA）的特定患者运动模型，以降低时间INR的复杂性，以解决病态的动态CBCT重建问题。我们使用扩展心脏胸部（XCAT）幻影模型来模拟不同的肺运动/解剖场景来评估STINR。这些场景包含运动基线偏移、运动幅频变化和非周期性运动等运动变化，还包含肿瘤萎缩和肿瘤位置变化等间隔扫描解剖变化。主要结果表明，与传统的基于PCA的方法和基于多项式拟合的神经表示方法相比，STINR显示出更高的图像重建和运动跟踪精度。STINR将肺肿瘤追踪至平均质心误差<2毫米，相应的重建动态CBCT的相对误差<10％。
作者：You Zhang, Tielige Mengke
论文ID：2209.11392
分类：Medical Physics
分类简称：physics.med-ph
提交时间：2023-02-22