铯化疗形式能透过耐热电磁辐射施用恶性肿瘤，有效率掌控恶性肿瘤蔓延、化疗肺癌。不过，在此操作过程中，肾脏的体育运动和形变会负面影响放射化疗残基的精确度，在施用恶性肿瘤的与此同时也会将身心健康细胞核铲除。
为提高放射化疗精确度、增加伽马射线对患癌肾脏周遭身心健康组织机构的电磁辐射，生物学家明确提出了影像鼓励放射化疗形式，该形式所利用的光学形式是锥束核磁共振控制技术（CBCT，Cone Beam Computed Tomography）。
一般的 CT 与 CBCT 影像的精确SIFT在监控病人放射化疗操作过程中的肾脏变动各方面非常重要。
不过，虽然 CT 与 CBCT 影像具备很大的内部结构差别与局限性，会再次出现 CBCT 影像中解剖学内部结构边沿模糊不清、CBCT 与 CT 影像不完全一致等问题，严重负面影响病症的恰当妇科。因而，CT 与 CBCT 影像的精确SIFT仍具备很大的诱惑力。
s in Biomedicine）
为化解在SIFT操作过程中再次出现的一连串难题，中科院无锡生物科学控制技术开发研究院杨晓冬副研究员与项目组明确提出布吕马结合互联网（CDFRegNet，Cross-Domain Fusion Registration Network）控制技术。
Methods and Programs in Biomedicine）
近日，相关论文以《从 CT 到锥束 CT 的布吕马结合SIFT互联网 CDFRegNet》（CDFRegNet：A Cross-domain Fusion Registration Network for CT-to-CBCT Image Registration）为题，发表在Computer Methods and Programs in Biomedicine上[1]。
布吕马结合SIFT互联网的两个模块
研究者首先设计出边沿鼓励注意模块（EGAM，Edge-Guided Attention Module）。该模块能够基于梯度先验影像获取边沿信息，并鼓励互联网对两个影像域之间的空间对应关系进行建模。
凭借创新的算法，EGAM模块能够精确模拟出 CT 和 CBCT 影像中的空间对应关系，从而利用 CT 影像的可靠边沿指导 CBCT 影像进行特征提取。
此外，研究人员还明确提出布吕马注意模块（CDAM，Cross-Domain Attention Module），包含全局布吕马语义分支、局部注意分支和布吕马映射分支，用来将不同影像域的特征映射到公共空间并进行有效率结合。
omputer Methods and Programs in Biomedicine）
具体来讲，CDAM 模块能够将来自 CBCT 和 CT 域的特征映射进行拼接，然后，将其输入特征结合模块（FFM，Feature Fusion Module），利用 FFM 聚合来自多域特征的全局语义信息，并提取两个域之间的相关特征。
该操作在全局语义路径中，采用全局化操作和卷积操作提取到全局信息。两个卷积层将来自两个输入域的特征重新组合，并生成用于重新映射特征 Zv 的布吕马注意映射。
下一步，CDAM 模块在残差结合路径中利用全局语义路径输出特征映射 ZM，透过乘法和加法对多域特征 ZV 进行重权结合。在布吕马映射分支中，该项目组开发出具备全局布吕马语义和局部详细信息的注意特征图 Xa 与 Xv，并将二者互乘，完成 CDAM 模块操作。
nd Programs in Biomedicine）
最后，研究者将 EGAM 和 CDAM 两个模块结合，设计出全新的 CDFRegNet，可应用于小型数据集的SIFT。
布吕马结合SIFT互联网的有效率性验证
为验证 EGAM 和 CDAM 两个模块在提高互联网SIFT性能各方面有效率性，研究者还选择了两种具备代表性的传统算法和三种基于深度学习的算法，进行比较评估实验。
在比较评估实验中，传统的SIFT形式包括基于强度匹配的配准形式和空间区域加权相关比相似度SIFT形式。基于深度学习的算法包括 Voxel Morph、Xu-Net、Duan-Net。
结果表明，EGAM 模块的加入对SIFT互联网有明显的改善，证明了 EGAM 能有效地鼓励互联网关注两个不同区域影像中相同的解剖学边界。
此外，为定量评价 CDFRegNet 的SIFT性能，研究人员还将 CDFRegNet 与上述五种具备代表性的SIFT形式进行了比较。
值得注意的是，CDFRegNet 在所有与精确度相关的指标上都具备最佳性能。结果表明，很大似然估计、注册目标错误和不确定性相似系数分别达到 1.50mm、2.27mm 和 80.01%。
实验结果显示出，CDFRegNet 在 CT 与 CBCT 的SIFT操作过程中是有效率的，能避免SIFT操作过程中再次出现数据集规模不足的难题。
为进一步提高 CDFRegNet SIFT精确度，研究者还需要在完整影像数据集上训练 CDFRegNet。此外，影像中肾脏边界的连续性对于进一步提高 CT-CBCT SIFT的精确度非常重要。
因此，研究人员在接下来的实验中将研究肾脏影像边沿的特性，并充分利用这些特性提高 CT-CBCT 的SIFT速度和精确度。
参考资料：
1.Yuzhu Cao et al. Computer Methods and Programs in Biomedicine224, 107025(2022). https://doi.org/10.1016/j.cmpb.2022.107025
