Biophysics-Enhanced Neural Representations for Patient-Specific Respiratory Motion Modeling
作者: Jan Boysen, Hristina Uzunova, Heinz Handels, Jan Ehrhardt
分类: cs.CV
发布日期: 2026-03-23
备注: Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2026:008
期刊: Machine.Learning.for.Biomedical.Imaging. 2026 (2026)
DOI: 10.59275/j.melba.2026-1ba1
💡 一句话要点
提出PRISM-RM，利用生物物理约束的隐式神经表示建模患者特异性呼吸运动
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 隐式神经表示 呼吸运动建模 放射治疗 生物物理约束 运动管理
📋 核心要点
- 呼吸运动导致放射治疗剂量传递不确定性，现有配准方法泛化性差，难以准确预测患者呼吸运动。
- 提出PRISM-RM，利用隐式神经表示建模呼吸运动，并引入生物物理约束，保证运动的生理合理性。
- 实验表明，PRISM-RM在插值方面与现有方法相当，在外推方面表现更优，提升了泛化能力。
📝 摘要（中文）
精确的空间剂量传递对于放射治疗的成功至关重要。在肺部和上腹部区域，呼吸运动引入了显著的治疗不确定性，需要特殊的运动管理技术。为了解决这个问题，呼吸运动模型通常用于推断患者特异性的呼吸运动，从而更有效地靶向剂量。本文研究了使用隐式神经表示（INR）进行基于代理的运动建模的可能性。为此，我们提出了一种物理正则化的隐式代理呼吸运动建模方法（PRISM-RM）。我们新的集成呼吸运动模型不依赖于固定的参考呼吸状态。与传统的配对配准技术不同，我们的方法提供了一种轨迹感知的时空连续且微分同胚的运动表示，从而提高了对推断场景的泛化能力。我们引入了生物物理约束，确保在训练数据之外的时间内，生理上合理的运动估计。结果表明，我们的轨迹感知方法在插值方面表现相当，并且与我们最初提出的基于INR的方法相比，提高了外推能力。与基于顺序配准的方法相比，我们的两种方法在插值方面表现同样出色，但在外推场景中表现不佳。然而，INR的方法特性使其特别适用于呼吸运动建模，并且随着其性能的稳步提高，它们展示了推动该领域发展的强大潜力。
🔬 方法详解
问题定义：放射治疗中，呼吸运动导致肿瘤位置变化，影响剂量传递的准确性。传统配准方法依赖固定参考状态，泛化能力有限，难以准确预测患者呼吸运动，尤其是在训练数据范围之外的外推场景中。
核心思路：利用隐式神经表示（INR）将呼吸运动建模为一个连续的时空函数，摆脱对固定参考状态的依赖。通过引入生物物理约束，保证模型预测的运动在生理上是合理的，从而提高外推能力和泛化性。
技术框架：PRISM-RM模型主要包含一个隐式神经网络，该网络以空间坐标和时间作为输入，输出该时空点上的位移向量。通过最小化预测位移与真实位移之间的差异来训练网络。为了保证运动的生理合理性，引入了生物物理约束，例如限制运动速度和加速度。
关键创新：核心创新在于将隐式神经表示与生物物理约束相结合，用于呼吸运动建模。与传统配准方法相比，PRISM-RM提供了一种轨迹感知的时空连续且微分同胚的运动表示，提高了对推断场景的泛化能力。
关键设计：生物物理约束通过损失函数的形式加入到训练过程中。具体的损失函数包括数据一致性损失（衡量预测位移与真实位移的差异）和生物物理约束损失（例如，限制运动速度和加速度）。网络的具体结构（例如，层数和每层神经元数量）需要根据具体的数据集进行调整。
🖼️ 关键图片
📊 实验亮点
实验结果表明，PRISM-RM在插值方面与基于顺序配准的方法表现相当，但在外推场景中表现更优。与最初提出的基于INR的方法相比，PRISM-RM提高了外推能力。这些结果表明，PRISM-RM在呼吸运动建模方面具有潜力，可以提高放射治疗的准确性和有效性。
🎯 应用场景
该研究成果可应用于放射治疗中的呼吸运动管理，提高剂量传递的准确性，减少对周围健康组织的损伤。通过更精确地预测患者的呼吸运动，可以实现更有效的肿瘤靶向治疗，改善患者的治疗效果。此外，该方法还可以应用于其他需要建模形变运动的领域，例如心脏运动分析和手术导航。
📄 摘要（原文）
A precise spatial delivery of the radiation dose is crucial for the treatment success in radiotherapy. In the lung and upper abdominal region, respiratory motion introduces significant treatment uncertainties, requiring special motion management techniques. To address this, respiratory motion models are commonly used to infer the patient-specific respiratory motion and target the dose more efficiently. In this work, we investigate the possibility of using implicit neural representations (INR) for surrogate-based motion modeling. Therefore, we propose physics-regularized implicit surrogate-based modeling for respiratory motion (PRISM-RM). Our new integrated respiratory motion model is free of a fixed reference breathing state. Unlike conventional pairwise registration techniques, our approach provides a trajectory-aware spatio-temporally continuous and diffeomorphic motion representation, improving generalization to extrapolation scenarios. We introduce biophysical constraints, ensuring physiologically plausible motion estimation across time beyond the training data. Our results show that our trajectory-aware approach performs on par in interpolation and improves the extrapolation ability compared to our initially proposed INR-based approach. Compared to sequential registration-based approaches both our approaches perform equally well in interpolation, but underperform in extrapolation scenarios. However, the methodical features of INRs make them particularly effective for respiratory motion modeling, and with their performance steadily improving, they demonstrate strong potential for advancing this field.