مقاله تغییر شکل دادن یا ندادن: ثبت طولی آگاه از درمان برای DCE-MRI پستان در طول شیمی درمانی نئوادجوانت از طریق تشخیص نقاط کلیدی بدون نظارت

چکیده

Clinicians compare breast DCE-MRI after neoadjuvant chemotherapy (NAC) with pre-treatment scans to evaluate the response to NAC. Clinical evidence supports that accurate longitudinal deformable registration without deforming treated tumor regions is key to quantifying tumor changes. We propose a conditional pyramid registration network based on unsupervised keypoint detection and selective volume-preserving to quantify changes over time. In this approach, we extract the structural and the abnormal keypoints from DCE-MRI, apply the structural keypoints for the registration algorithm to restrict large deformation, and employ volume-preserving loss based on abnormal keypoints to keep the volume of the tumor unchanged after registration. We use a clinical dataset with 1630 MRI scans from 314 patients treated with NAC. The results demonstrate that our method registers with better performance and better volume preservation of the tumors. Furthermore, a local-global-combining biomarker based on the proposed method achieves high accuracy in pathological complete response (pCR) prediction, indicating that predictive information exists outside tumor regions. The biomarkers could potentially be used to avoid unnecessary surgeries for certain patients. It may be valuable for clinicians and/or computer systems to conduct follow-up tumor segmentation and response prediction on images registered by our method. Our code is available on \url{https://github.com/fiy2W/Treatment-aware-Longitudinal-Registration}.

چکیده به فارسی (ترجمه ماشینی)

پزشکان DCE-MRI پستان را پس از شیمی درمانی جدید (NAC) با اسکن های قبل از درمان مقایسه می کنند تا پاسخ به NAC را ارزیابی کنند.شواهد بالینی تأیید می کند که ثبت نام قابل تغییر شکل طولی بدون تغییر شکل مناطق تومور تحت درمان با تغییر شکل برای تعیین تغییرات تومور مهم است.ما یک شبکه ثبت نام هرمی مشروط بر اساس تشخیص صفحه کلید بدون نظارت و حفظ حجم انتخابی برای تعیین کمیت تغییرات در طول زمان پیشنهاد می کنیم.در این روش ، ما کلیدهای ساختاری و غیر طبیعی را از DCE-MRI استخراج می کنیم ، از کلیدهای ساختاری برای الگوریتم ثبت نام استفاده می کنیم تا تغییر شکل بزرگ را محدود کند ، و از دست دادن حجم بر اساس کلیدهای غیر طبیعی استفاده می کند تا حجم تومور پس از ثبت نام را حفظ کند.بشرما از یک مجموعه داده بالینی با اسکن MRI 1630 از 314 بیمار تحت درمان با NAC استفاده می کنیم.نتایج نشان می دهد که روش ما با عملکرد بهتر و حفظ حجم بهتر تومورها ثبت می شود.علاوه بر این ، یک نشانگر زیستی با استفاده از گلوبال محلی بر اساس روش پیشنهادی ، در پیش بینی پاسخ کامل پاتولوژیک (PCR) به دقت بالایی می رسد ، و این نشان می دهد که اطلاعات پیش بینی کننده در خارج از مناطق تومور وجود دارد.نشانگرهای زیستی به طور بالقوه می توانند برای جلوگیری از جراحی های غیر ضروری برای بیماران خاص استفاده شوند.این ممکن است برای پزشکان و/یا سیستم های رایانه ای ارزشمند باشد که تقسیم بندی تومور پیگیری و پیش بینی پاسخ در تصاویر ثبت شده با روش ما انجام شود.کد ما در \ url {https://github.com/fiy2w/treatment-aware-longituditinal-registration در دسترس است.