Comparative evaluation of VoxelMorpand conventional deformable image registration algorithms for thoracic 4D-CT in radiotherapy.

چکیده اصلی

BACKGROUND: Deformable image registration (DIR) is essential for thoracic four-dimensional computed tomography (4D-CT)-based radiotherapy applications. Recently, deep learning-based DIR methods such as VoxelMorph have been proposed; however, their performance relative to clinically used DIR algorithms remains unclear. PURPOSE: This study aimed to evaluate the DIR accuracy of VoxelMorph for thoracic 4D-CT and to compare it with conventional clinical and research-oriented DIR methods. MATERIALS AND METHODS: Thoracic 4D-CT data from 64 lung cancer patients were retrospectively analyzed. End-inhalation and end-exhalation phase images were used for DIR. VoxelMorph was trained using 50 cases, with 4 for validation and 10 for testing. DIR performance on the test dataset was compared with Demons (SimpleITK), modified Demons (Eclipse), and ANACONDA (RayStation). Accuracy was evaluated by mean absolute error (MAE) of CT values computed within the body region, whereas Dice similarity coefficient (DSC) and 95th percentile of Hausdorff distance (HD95) were evaluated within the lung label. RESULTS: The median MAE decreased from 67.56 HU before DIR to 52.32 HU with modified Demons, 37.39 HU with Demons, 36.18 HU with ANACONDA, and 36.83 HU with VoxelMorph. The median DSC increased from 0.91 to 0.95 for modified Demons, 0.97 for Demons and ANACONDA, and 0.98 for VoxelMorph. The median HD95 was 3.0 mm for modified Demons, 3.1 mm for Demons, 2.0 mm for ANACONDA, and 2.5 mm for VoxelMorph. Overall, VoxelMorph demonstrated competitive accuracy, significantly outperforming modified Demons (adjusted p < 0.05), while showing smaller inter-case variability and markedly reduced processing time. CONCLUSIONS: VoxelMorph demonstrated DIR performance comparable to that of clinically used algorithms for thoracic 4D-CT, with high overlap accuracy, relatively low inter-case variability and shorter processing times under the evaluated implementation conditions. These findings suggest its potential as research-oriented DIR framework, although further validation under standardized conditions is required before routine clinical implementation.

ترجمه فارسی چکیده

ثبت تصویر منعطف (DIR) برای کاربردهای رادیوتراپی مبتنی بر ۴دی-سی‌تی قفسه سینه ضروری است. روش‌های مبتنی بر یادگیری عمیق مانند ولتکس‌مورف اخیراً پیشنهاد شده‌اند، اما عملکرد آن‌ها نسبت به الگوریتم‌های DIR متداول بالینی مشخص نیست. این مطالعه هدف ارزیابی دقت DIR ولتکس‌مورف برای ۴دی-سی‌تی قفسه سینه و مقایسه آن با روش‌های DIR بالینی و پژوهشی را داشت. داده‌های ۴دی-سی‌تی قفسه سینه ۶۴ بیمار مبتلا به سرطان ریه به صورت بازنگری تحلیل شد. تصاویر فاز انتهای بازدم و انتهای بازدم برای DIR استفاده شد. ولتکس‌مورف با استفاده از ۵۰ مورد آموزش داده شد، ۴ مورد برای اعتبارسنجی و ۱۰ مورد برای آزمون. عملکرد DIR در مجموعه داده آزمون با Demons (SimpleITK)، Demons اصلاح‌شده (Eclipse) و ANACONDA (RayStation) مقایسه شد. دقت با میانگین خطای مطلق (MAE) مقادیر سی‌تی در منطقه بدن ارزیابی شد، در حالی که ضریب شباهت دیس (DSC) و ۹۵ درصدین percentile فاصله هاوسدورف (HD95) در برچسب ریه ارزیابی شدند. نتایج نشان داد که ولتکس‌مورف عملکرد رقابتی و بهبود یافته‌ای نسبت به Demons اصلاح‌شده داشت، با کاهش زمان پردازش.

متن کامل اصلی