一种基于解剖信息的对应关系初始化方法，用于改进基于学习的放射治疗配准
An anatomically-informed correspondence initialisation method to improve learning-based registration for radiotherapy
AI总结：
提出基于解剖信息的初始化方法，利用学习模型估计器官对应关系生成TPS变形，以改进基于学习的CT非刚性配准，使其性能接近传统迭代算法并保持速度优势。
摘要：
我们提出了一种基于解剖信息的初始化方法，用于患者间CT非刚性配准（NRR），该方法使用基于学习的模型来估计器官结构之间的对应关系。利用对应关系预测建立的薄板样条（TPS）变形，在第二次NRR步骤之前对扫描图像进行初始化。我们比较了两种已建立的NRR方法作为第二步：一种基于B样条迭代优化的算法和一种基于深度学习的方法。通过评估传播结构的相似性，在有无初始化的情况下对配准性能进行了评估。我们提出的初始化方法将基于学习的配准性能提升至更接近传统迭代算法，对于包含在TPS中的结构，平均距离一致性（distance-to-agreement）降低了1.8毫米，对于未包含在TPS中的结构降低了0.6毫米，同时保持了显著的速度优势（5秒对72秒）。
英文摘要：
We propose an anatomically-informed initialisation method for interpatient CT non-rigid registration (NRR), using a learning-based model to estimate correspondences between organ structures. A thin plate spline (TPS) deformation, set up using the correspondence predictions, is used to initialise the scans before a second NRR step. We compare two established NRR methods for the second step: a B-spline iterative optimisation-based algorithm and a deep learning-based approach. Registration performance is evaluated with and without the initialisation by assessing the similarity of propagated structures. Our proposed initialisation improved the registration performance of the learning-based method to more closely match the traditional iterative algorithm, with the mean distance-to-agreement reduced by 1.8mm for structures included in the TPS and 0.6mm for structures not included, while maintaining a substantial speed advantage (5 vs. 72 seconds).
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
