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

Riassunto Tecnico: Regolarizzazione Spazialmente Variabile Guidata da CT per la Registrazione PET Volumetrica Deformabile Whole-Body

1. Il Problema (Problem Statement)

La registrazione deformabile di immagini PET (Positron Emission Tomography) a tutto corpo (whole-body) è fondamentale per il monitoraggio della progressione tumorale e la caratterizzazione multi-parametrica. Tuttavia, la registrazione cross-tracer (ovvero tra scansioni PET acquisite con traccianti diversi, come $^{18}$F-PSMA e $^{18}$F-FDG) presenta due sfide critiche:

• Incoerenza dell'intensità: I diversi traccianti mostrano pattern di captazione biologica differenti, rendendo inaffidabili le metriche di similarità basate sull'intensità (come la correlazione locale).
• Eterogeneità anatomica: Il corpo umano è composto da strutture con proprietà meccaniche diverse. Una regolarizzazione globale uniforme del campo di spostamento (DDF - Dense Displacement Field) è inefficiente: se troppo debole, non impedisce deformazioni irrealistiche nelle strutture rigide (ossa); se troppo forte, limita eccessivamente la flessibilità necessaria per i tessuti molli.

2. Metodologia (Methodology)

Gli autori propongono un framework di apprendimento profondo (deep learning) debolmente supervisionato che sfrutta le immagini CT accoppiate (acquisite simultaneamente alla PET) per guidare il processo.

A. Supervisione Debolmente Supervisionata (Weakly Supervised Training):
Poiché la similarità diretta tra i traccianti PET è difficile da ottimizzare, il modello viene addestrato utilizzando:

• $L_{sim}$ (Similarità CT): Si massimizza la similarità (tramite metrica Dice) tra la CT del paziente "moving" (deformata) e la CT del paziente "fixed". La CT funge da surrogato anatomico stabile.
• $L_{seg}$ (Similarità di Segmentazione): Si utilizza la sovrapposizione tra le maschere di segmentazione anatomica (128 classi) per garantire che gli organi siano allineati correttamente.

B. Regolarizzazione Spazialmente Variabile Guidata da CT (Key Innovation):
Invece di applicare un unico peso di regolarizzazione $\lambda$ a tutto il volume, il metodo modula la forza della regolarizzazione voxel per voxel basandosi sui valori di Hounsfield (HU) della CT:

1. Mappatura dell'intensità: I valori HU della CT vengono normalizzati e sottoposti a una mappatura non lineare con esponente $\gamma$ (es. $\gamma=2$).
2. Generazione del peso $w(x)$: Le regioni ad alta densità (ossa, alto HU) ricevono un peso di regolarizzazione più elevato, imponendo vincoli più rigidi al DDF. Le regioni a bassa densità (tessuti molli) ricevono un peso minore, permettendo deformazioni più fluide.
3. Termine di regolarizzazione: La funzione di perdita diventa $L_{reg} = \sum w(x) \|\nabla \mu(x)\|^2$, dove $w(x)$ è il coefficiente adattivo derivato dalla CT.

3. Contributi Chiave (Key Contributions)

• Strategia di regolarizzazione adattiva: Introduzione di un metodo semplice ed efficace per modulare la rigidità del campo di deformazione basandosi sull'anatomia CT, senza dover apprendere un campo di pesi complesso tramite reti neurali (approccio non-learned).
• Framework Cross-Tracer: Un metodo robusto per la registrazione di scansioni PET con traccianti diversi, superando il problema dell'incoerenza semantica delle intensità.
• Sfruttamento della co-registrazione PET/CT: Utilizzo intelligente della proprietà per cui PET e CT sono già allineate all'interno della stessa sessione di scansione per guidare la registrazione tra sessioni diverse.

4. Risultati (Results)

Il metodo è stato testato su un dataset clinico reale di 296 pazienti. I risultati principali includono:

• Miglioramento delle metriche globali: Rispetto alla baseline (regolarizzazione globale), il metodo proposto mostra miglioramenti statisticamente significativi in Mutual Information (MI), Dice Score (sovrapposizione degli organi) e riduzione del Target Registration Error (TRE).
• Prestazioni ottimali: Il miglior bilanciamento si ottiene con un valore di regolarizzazione globale intermedio ($\mu_r = 4.5 \times 10^{-3}$).
• Efficacia organo-specifica: L'analisi tramite boxplot dimostra che la regolarizzazione variabile migliora significativamente l'allineamento di molteplici organi rispetto alla baseline, confermando che la mappatura non lineare ($\gamma=2$) è essenziale per distinguere correttamente tra strutture rigide e molli.

5. Significato (Significance)

Questo lavoro dimostra che l'integrazione di conoscenze anatomiche "pre-esistenti" (la densità della CT) in un modello di deep learning può risolvere problemi complessi di registrazione medica senza richiedere enormi quantità di dati di supervisione voxel-per-voxel. La capacità di gestire l'eterogeneità del corpo umano rende questo approccio altamente applicabile nella pratica clinica oncologica per il confronto longitudinale e multi-modale dei pazienti.