CT-Guided Spatially-varying Regularization for Voxel-Wise Deformable Whole-Body PET Registration

तकनीकी सारांश: वोक्सेल-वाइज विकलनीय होल-बॉडी PET पंजीकरण के लिए CT-निर्देशित स्थानिक रूप से परिवर्तनशील नियमितीकरण (Regularization)

1. समस्या विवरण

लॉन्गीटुडिनल ट्यूमर मॉनिटरिंग और मल्टी-पैरामेट्रिक विश्लेषण के लिए पॉज़िट्रॉन एमिशन टोमोग्राफी (PET) छवियों का सटीक होल-बॉडी विकलनीय (deformable) पंजीकरण अत्यंत महत्वपूर्ण है। हालाँकि, दो प्रमुख चुनौतियाँ वर्तमान डीप लर्निंग-आधारित दृष्टिकोणों में बाधा डालती हैं:

• क्रॉस-ट्रेसर तीव्रता असंगतता (Cross-Tracer Intensity Inconsistency): जब अलग-अलग ट्रेसर (जैसे, $^{18}$F-FDG बनाम $^{18}$F-PSMA) के साथ प्राप्त PET स्कैन को पंजीकृत किया जाता है, तो पारंपरिक तीव्रता-आधारित समानता मेट्रिक्स विफल हो जाते हैं क्योंकि अपटेक पैटर्न जैविक रूप से भिन्न होते हैं।
• शारीरिक विषमता (Anatomical Heterogeneity): मानव शरीर विविध संरचनाओं से बना है जिनमें अलग-अलग यांत्रिक गुण होते हैं। डेंस डिस्प्लेसमेंट फील्ड (DDF) पर लागू किया गया एक एकल, वैश्विक नियमितीकरण भार (global regularization weight) एक "वन-साइज़-फिट्स-ऑल" बाधा उत्पन्न करता है: यह कठोर संरचनाओं (जैसे हड्डियों) के लिए अक्सर बहुत कमजोर होता है, जिससे अवास्तविक विरूपण होता है, फिर भी यह कोमल ऊतकों (soft tissues) के लिए बहुत अधिक मजबूत होता है, जिससे आवश्यक लचीले संरेखण (flexible alignment) में बाधा आती है।

2. कार्यप्रणाली (Methodology)

लेखक एक कमजोर पर्यवेक्षित (weakly supervised) ढांचे का प्रस्ताव करते हैं जो दो अलग-अलग PET/CT सत्रों के पंजीकरण को निर्देशित करने के लिए एक ही अधिग्रहण सत्र के भीतर PET और CT के बीच अंतर्निहित स्थानिक संरेखण का लाभ उठाता है।

A. कमजोर पर्यवेक्षित प्रशिक्षण (Weakly Supervised Training):
विभिन्न ट्रेसर्स के बीच वोक्सेल-वाइज पत्राचार (correspondence) की कमी को दूर करने के लिए, मॉडल को दो शारीरिक पर्यवेक्षण संकेतों का उपयोग करके प्रशिक्षित किया जाता है:

• CT-आधारित समानता ($L_{sim}$): PET तीव्रता की तुलना करने के बजाय, नेटवर्क वारप्ड मूविंग CT और फिक्स्ड CT के बीच अंतर को डाइस सिमिलैरिटी (Dice similarity) मेट्रिक का उपयोग करके कम करता है।
• सेगमेंटेशन-आधारित समानता ($L_{seg}$): नेटवर्क वारप्ड मूविंग ऑर्गन मास्क और फिक्स्ड ऑर्गन मास्क के बीच ओवरलैप को अधिकतम करता है।

B. CT-निर्देशित स्थानिक रूप से परिवर्तनशील नियमितीकरण (CT-Guided Spatially-Varying Regularization):
मुख्य नवाचार एक वैश्विक नियमितीकरण स्केलर के स्थान पर मूविंग CT के हौंसफील्ड यूनिट्स (HU) से प्राप्त वोक्सेल-वाइज वेट मैप $w(x)$ का उपयोग करना है।

1. HU मैपिंग: CT तीव्रताओं को सामान्यीकृत किया जाता है और एक घातांक $\gamma$ (जैसे, $\gamma=2$) के साथ एक गैर-रेखीय मैपिंग से गुजारा जाता है। यह सघन (उच्च-HU) और कोमल (कम-HU) ऊतकों के बीच कंट्रास्ट को बढ़ाता है।
2. अनुकूली वेटिंग (Adaptive Weighting): मैप्ड मानों को एक सीमित अंतराल $[ \mu_r - \delta, \mu_r + \delta ]$ में प्रोजेक्ट किया जाता है।
3. तंत्र (Mechanism): उच्च-HU वाले क्षेत्रों (हड्डियों) को उच्च नियमितीकरण भार प्राप्त होता है, जो DDF में बड़े डेरिवेटिव्स को दंडित करता है ताकि कठोरता सुनिश्चित की जा सके। कम-HU वाले क्षेत्र (कोमल ऊतक) कम भार प्राप्त करते हैं, जिससे अधिक विरूपण लचीलापन (deformation flexibility) संभव होता है।

3. मुख्य योगदान

• एनाटॉमी-अनुकूलन योग्य नियमितीकरण (Anatomy-Adaptive Regularization): शारीरिक घनत्व के आधार पर DDF शक्ति को नियंत्रित करने के लिए एक सरल, गैर-सीखे गए (non-learned), और गणनात्मक रूप से कुशल तरीका।
• क्रॉस-ट्रेसर फ्रेमवर्क: एक मजबूत होल-बॉडी पंजीकरण पाइपलाइन जो विभिन्न PET ट्रेसर्स के बीच के अंतर को पाटने के लिए एक "विशेषाधिकार प्राप्त" (privileged) शारीरिक सरोगेट के रूप में CT का उपयोग करती है।
• व्यावहारिकता: यह विधि एक गैर-सीखे गए HU-व्युत्पन्न मैप का उपयोग करती है, जिससे नियमितीकरण भारों की भविष्यवाणी करने के लिए एक माध्यमिक डीप नेटवर्क को प्रशिक्षित करने की अस्थिरता से बचा जा सकता है।

4. परिणाम

इस पद्धति का मूल्यांकन 296 रोगियों ($^{18}$F-PSMA और $^{18}$F-FDG) के एक बड़े पैमाने के क्लिनिकल डेटासेट पर किया गया।

• वैश्विक प्रदर्शन (Global Performance): प्रस्तावित विधि ने कई मेट्रिक्स पर बेसलाइन (ग्लोबल रेगुलराइजेशन) की तुलना में सांख्यिकीय रूप से महत्वपूर्ण सुधार दिखाया। सर्वोत्तम प्रदर्शन मध्यम वैश्विक नियमितीकरण शक्ति ($\mu_r = 4.5 \times 10^{-6}$) पर देखा गया, जहाँ म्युचुअल इंफॉर्मेशन (MI) में वृद्धि हुई, डाइस स्कोर (Dice scores) में सुधार हुआ, और टारगेट रजिस्ट्रेशन एरर (TRE) काफी कम हो गया (8.37 mm से 6.04 mm)।
• अंग-वार संरेखण (Organ-wise Alignment): एब्लेशन अध्ययनों ने दिखाया कि गैर-रेखीय मैपिंग ($\gamma=2$) अत्यंत महत्वपूर्ण थी। स्थानिक रूप से परिवर्तनशील दृष्टिकोण ने बेसलाइन और एक रेखीय ($\gamma=1$) मैपिंग दोनों की तुलना में विभिन्न अंगों के लिए डाइस स्कोर में महत्वपूर्ण सुधार किया।

5. महत्व

यह कार्य यह प्रदर्शित करता है कि CT-निर्देशित नियमितीकरण के माध्यम से शारीरिक पूर्ववृत्त (anatomical priors) को शामिल करने से होल-बॉडी इमेजिंग में कठोरता और लचीलेपन के बीच के तनाव को प्रभावी ढंग से हल किया जा सकता है। युग्मित (paired) CT स्कैन द्वारा प्रदान की गई "मुफ्त" शारीरिक जानकारी का लाभ उठाकर, यह विधि मल्टी-ट्रेसर ऑन्कोलॉजिकल मूल्यांकन के लिए अधिक मजबूत समाधान प्रदान करती है, जिससे ट्यूमर विषमता (heterogeneity) और मेटास्टैटिक प्रगति के अधिक सटीक लक्षण वर्णन में मदद मिलती है।