Automated quality assurance of rigid brain CT/MR image registration using a 3D convolutional neural network.

چکیده اصلی

BACKGROUND: Accurate CT/MR registration is important in stereotactic brain radiotherapy, where small spatial errors may affect target localization and treatment planning. In many clinical settings, registration quality is still assessed primarily through manual visual inspection. However, time and workflow constraints may limit the consistency and depth of manual evaluation. PURPOSE: This study aimed to develop a 3D convolutional neural network (3D CNN)-based quality assurance (QA) method for rigid brain CT/MR registration using paired sub-volumes and a registration-level mean probability score (μ). The proposed method classifies local CT/MR registration quality, while the final registration-level assessment is based on μ across the sampled sub-volumes. METHODS: The study included 209 patients. Of these, 202 comprised the primary cohort and were divided patient-wise into 128 training, 33 validation, and 41 test patients. For each patient, 25 skull-based CT/MR sub-volumes of 42 × 42 × 42 voxels were used as a two-channel CNN input. High-quality examples were obtained from clinically approved registrations, while low-quality examples were generated using rigid perturbations of the complete MR volume. The mean predicted probability across the 25 sub-volumes was used as the registration-level score μ, and the validation-derived threshold of 0.5871 was fixed for testing. Seven additional patients, separate from the 202-patient cohort, were evaluated after model development and threshold selection were completed using registrations before and after physician correction. RESULTS: On the held-out test set, patch-level accuracy was 85.90%, with an ROC AUC of 0.929 and average precision of 0.920. At the registration level, accuracy was 97.56% and ROC AUC was 0.999. All 41 low-quality registrations were correctly flagged, while 39 of 41 high-quality registrations were correctly accepted. In the additional clinical evaluation, all seven initial registrations requiring correction were classified as low quality, while six of seven corrected registrations were classified as high quality, resulting in an overall accuracy of 92.86%. CONCLUSIONS: The proposed method combined local CNN predictions into a registration-level μ score and showed strong performance on held-out and clinical cases. It may provide a quantitative screening measure for rigid brain CT/MR registration QA while maintaining clinical review as the final decision step.

ترجمه فارسی چکیده

در رادیوتراپی مغزی استریوتاکسیک، ثبت دقیق CT/MR اهمیت دارد، اما کیفیت آن معمولاً با بررسی بصری دستی ارزیابی می‌شود که ممکن است محدودیت‌های زمانی و جریان کار را داشته باشد. این مطالعه هدف توسعه روش ضمانت کیفیت (QA) مبتنی بر شبکه عصبی کانولوشنی سه بعدی (3D CNN) برای ثبت سخت مغزی CT/MR با استفاده از زیرحجوم جفت‌شده و امتیاز میانگین احتمال سطح ثبت (μ) را داشت. روش پیشنهادی کیفیت ثبت محلی CT/MR را طبقه‌بندی می‌کند، در حالی که ارزیابی نهایی بر اساس μ در زیرحجوم نمونه‌برداری شده است. این مطالعه شامل ۲۰۹ بیمار بود که ۲۰۲ نفر از آن‌ها در کوهورت اصلی (۱۲۸ آموزشی، ۳۳ اعتبارسنجی و ۴۱ تست) و ۷ نفر جداگانه در ارزیابی بالینی استفاده شدند. از ۲۵ زیرحجم استخوانی CT/MR با حجم ۴۲×۴۲×۴۲ وولکس برای هر بیمار به عنوان ورودی CNN دو کاناله استفاده شد. نمونه‌های با کیفیت بالا از ثبت‌های تأیید‌شده بالینی و نمونه‌های با کیفیت پایین با تغییرات سخت از حجم کامل MR تولید شدند. امتیاز سطح ثبت μ به عنوان میانگین احتمال پیش‌بینی شده در ۲۵ زیرحجم استفاده شد و آستانه ۰.۵۸۷۱ برای تست تعیین شد. نتایج نشان داد دقت سطح زیرحجم ۸۵.۹۰٪، ROC AUC ۰.۹۲۹ و میانگین دقت ۰.۹۲۰ بود. در سطح ثبت، دقت ۹۷.۵۶٪ و ROC AUC ۰.۹۹۹ بود. تمام ۴۱ ثبت با کیفیت پایین درست شناسایی شدند، در حالی که ۳۹ از ۴۱ ثبت با کیفیت بالا پذیرفته شدند. در ارزیابی بالینی اضافی، تمام ۷ ثبت اولیه که اصلاح نیاز داشتند به عنوان با کیفیت پایین طبقه‌بندی شدند، در حالی که ۶ از ۷ ثبت اصلاح‌شده به عنوان با کیفیت بالا طبقه‌بندی شدند که منجر به دقت کلی ۹۲.۸۶٪ شد.

متن کامل اصلی