µ-RegPro2023——前列腺 MR 超声配准挑战之传统非刚性配准方法

今天将分享前列腺 MR 超声配准挑战之传统非刚性配准方法完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。

一、µ-RegPro2023介绍

术前和术中成像之间的多模态图像配准能够在许多手术和介入任务中融合临床重要信息。磁共振成像 (MR) 和经直肠超声 (TRUS) 图像的配准有助于精确对准前列腺和其他解剖结构，例如在引导前列腺活检期间作为定位相关解剖和潜在病理目标的标准，以及用于前列腺活检和局部治疗/干预计划的方法或决策支持，可以说已经将前列腺癌患者护理转变为侵入性更小、更局部化的诊断、监测和治疗途径。尽管在过去二十年中取得了巨大进步，但该应用程序仍然面临挑战。首先，来自大量患者队列的配对 MR 和 TRUS 数据并未在临床实践中常规存储，而且公开数据稀缺且质量低下。其次，在两张图像上注释解剖和病理标志（对于表示相应位置进行验证至关重要）需要来自泌尿学、放射学和病理学等多个学科的专家领域知识和经验。

除了其普遍存在的临床重要性之外，该应用还提出了多种配准算法：基于特征和强度的经典方法以及无监督或分割驱动的学习方法都通过该领域一些技术上最有趣的方法（例如生物力学正则化和统计运动建模）进行了创新。

µ-RegPro 挑战赛旨在提供精心策划的真实临床数据，其中包含一百多对 MR 和 TRUS 图像，并由拥有超过 15 年使用此应用程序经验的研究人员和临床医生仔细注释。挑战的结果包括第一个多模态成像数据集，并通过专家注释进行验证，用于对注册方法的进步进行基准测试，以及用于管理男性最常见的非皮肤癌的未来研究。

二、µ-RegPro2023任务

µ-RegPro挑战赛旨在评估手术和介入任务的术前和术中成像方法之间的多模态图像配准方法的性能。

使用基于强度的方法、基于特征的方法或两者的某种组合，提供一个接受以下输入作为输入的函数：移动图像，固定图像，移动标签。该函数还必须产生输出：配准的移动标签，密集变形场（DDF）。

三、µ-RegPro2023数据集

收集此数据的目标队列包括 mpMR 患者，他们将接受 MR 靶向、TRUS 引导的前列腺活检程序，以协助前列腺癌的诊断和分期。英国伦敦大学学院医院 (UCLH) 招募了 141 名男性，他们之前接受过经直肠超声活检（阳性或阴性），并且在 mpMR（PI-RAD 评分 3-5）上有离散病变，需要进行有针对性的经会阴活检；129名患者接受了两种活检策略（视觉配准和图像融合）并完成了研究。在这 141 名患者中，有 108 对在活检过程中在横切面获取了 US 图像，33 对在矢状面获取了 US 图像。在横向平面上采集的108对及其配对的 MR 均包含在其中。

数据分为训练集、验证集和测试集，分别包含 65 张、8 张和 35 张图像。下载链接：

https://zenodo.org/records/8004388

MR 图像是按照临床试验方案中的规定扫描的。UCLH 混合使用 1.5T 和 3T MR 扫描仪进行T2加权MR成像。所有MR体积均为120 x 128 x 128 体素。在每种情况下，通过旋转数字经会阴步进器采集57-112个TRUS帧，记录的相对角度覆盖大部分前列腺，使用标准临床超声机，深度为 65 mm，频率为 9.0 MHz ，在UCLH配备双平面经会阴探头。然后使用这些矢状切面重建3D体积。所有重建的TRUS体积均为 81 x 118 x 88 体素。图像（MR 和 TRUS）已重新采样为0.8mm各向同性体素大小，这足以开发和验证配准算法。TRUS 体积被中心裁剪到包含所需解剖结构的视野。

训练、验证和测试用例由配对的MR和TRUS组成。每个都将附有完整的前列腺分割，以及其他额外的解剖标志注释。训练和验证数据中提供了每对 MR 和 TRUS 图像中识别的解剖标志，例如病变、带状结构、充满水的囊肿和钙化，以及前列腺蒙版。

除了所有病例的完整腺体分割之外，标志还包括顶端、基部、尿道、可见病变、腺体之间的连接处、腺体带状分离、输精管和精囊，以及手动定义其他患者特定的点标志，例如钙化和充满液体的囊肿。

8大评价指标：Dice 相似系数 (DSC)，DSC 的鲁棒性 (RDSC)，目标配准误差 (TRE)，TRE 的鲁棒性 (RTRE)，目标的鲁棒性 (RT)，第 95 个百分位数豪斯多夫距离 (95%HD)，对数雅可比行列式的标准差 (StDJD)，运行时间。

Dice 相似系数 (DSC)：在前列腺边界上的 TRUS 图像的扭曲掩模和 MR 图像的掩模之间计算；测试集中所有案例的平均值；在 [0, 1] 范围内，其中越高表示配准越好。

DSC 的鲁棒性 (RDSC)：测试集中 DSC 最高的情况的 DSC 平均值超过 68%。

目标配准误差 (TRE)：基于 l1 范数的解剖标志的配准误差，这些解剖标志由两组成像中可识别的区域指示，例如带状结构、充水囊肿和钙化。TRUS 和 MR 图像之间的 TRE 越低表明配准越好。TRE 是按案例计算的，其中每个案例的 TRE 是该案例所有地标上的均方根 (RMS) TRE。然后，通过假设未配准图像具有最大 TRE，将所有情况下的 TRE 平均值标准化为范围 [0, 1]。该最大TRE是通过确定测试集中的最大个体地标预配准TRE来获得的。如果任何提交的总 TRE 高于最大单个地标预注册 TRE，则该值将被削减为 1。

TRE 的鲁棒性 (RTRE)：测试集中 TRE 最低的案例的平均 TRE 超过 68%。

目标的鲁棒性 (RT)：基于 TRUS 和 MR 图像之间 5 个总标志中 3 个最低误差标志的 l1 范数的配准误差；测试集中所有案例的平均值。

第 95 个百分位数豪斯多夫距离 (95%HD)：一组中的边界点与另一组中最近的点之间的距离的第 95 个百分位数，其中组基于来自 TRUS 和 MR 图像分割的器官边界点；测试集中所有案例的平均值；通过假设未注册的图像具有最大 95%HD，标准化到范围 [0, 1]。

对数雅可比行列式的标准差 (StDJD)：使用变形场上的雅可比计算；测试集中所有案例的平均值。

运行时间：使用算法计算扭曲图像所需的时间；对所有案例进行计算，然后进行平均以获得每个案例的平均运行时间。

四、技术路线

1、加载MR图像和mask，作为参考图像和标签，加载US图像和mask，作为待配准图像和标签。

2、首先根据MR和US的前列腺mask，从对应的MR和US的图像中获取对应的前列腺ROI图像。

3、然后将ROI图像的MR和US分辨采样到128x128x128大小。

4、然后先使用刚性配准进行粗略配准，将MR和US的前列腺区域进行平移和旋转，保证两者对应的前列腺区域有重叠区域。参考代码如下。

import SimpleITK as sitk

elastixImageFilter = sitk.ElastixImageFilter()
elastixImageFilter.SetFixedImage(sitk.ReadImage("fixedImage.nii"))
elastixImageFilter.SetMovingImage(sitk.ReadImage("movingImage.nii"))
elastixImageFilter.SetParameterMap(sitk.GetDefaultParameterMap("rigid"))
elastixImageFilter.Execute()
sitk.WriteImage(elastixImageFilter.GetResultImage())

5、然后再使用仿射变换配准进行进一步配准，将MR和US的前列腺区域进行平移，旋转和缩放，保证两者对应的前列腺区域有更多重叠区域。参考代码如下。

import SimpleITK as sitk

elastixImageFilter = sitk.ElastixImageFilter()
elastixImageFilter.SetFixedImage(sitk.ReadImage("fixedImage.nii")
elastixImageFilter.SetMovingImage(sitk.ReadImage("movingImage.nii")
elastixImageFilter.SetParameterMap(sitk.GetDefaultParameterMap("affine"))
elastixImageFilter.Execute()
sitk.WriteImage(elastixImageFilter.GetResultImage())

6、然后再使用非刚性变换配准进行最后精细配准，将MR和US的前列腺区域进行样条插值，保证两者对应的前列腺区域有最多重叠区域。 参考代码如下。

import SimpleITK as sitk

elastixImageFilter = sitk.ElastixImageFilter()
elastixImageFilter.SetFixedImage(sitk.ReadImage("fixedImage.nii"))
elastixImageFilter.SetMovingImage(sitk.ReadImage("movingImage.nii"))

parameterMapVector = sitk.VectorOfParameterMap()
parameterMapVector.append(sitk.GetDefaultParameterMap("affine"))
parameterMapVector.append(sitk.GetDefaultParameterMap("bspline"))
elastixImageFilter.SetParameterMap(parameterMapVector)

elastixImageFilter.Execute()
sitk.WriteImage(elastixImageFilter.GetResultImage())

7、最后将待配准的US图像和mask再采样回原始MR图像大小。

8、US配准到MR结果。

第一个是MR和未配准US的结果，第二个是MR和配准US的结果。