基于神經網絡的雙X射線影像2D-3D配準算法

沈延延，馮漢升

1.安徽大學電氣工程與自動化學院，安徽合肥230601；2.中國科學院等離子體物理研究所，安徽合肥230031

前言

現代醫學中，放療是惡性腫瘤的重要治療手段。但放射線在轟擊病灶的同時也會損害腫瘤組織周圍的正常細胞，因此需要在治療過程中使用圖像引導放療（Ⅰmage-Guided Radiotherapy, ⅠGRT）技術保證放療精確程度，從而提高放療對腫瘤細胞的殺滅效果，并降低副作用。2D-3D 醫學圖像配準技術可以進行患者擺位誤差的計算，是極其重要的一環。

傳統基于灰度的2D-3D 配準算法通常采用迭代優化的方式，通過搜索CT 的空間姿態并進行投影生成數字重建放射影像（Digital Reconstruction Radiograph,DRR），對比DRR圖像與治療中獲取的X射線影像的相似度來判斷當前CT 姿態與患者姿態間的差異［1］。由于DRR 圖像的生成非常耗時，導致基于灰度的2D-3D 配準算法較慢。針對這一問題，Mu［2］采取塊投影法，利用已有的DRR 圖像幫助生成新的DRR 圖像，減少DRR 圖像生成的耗時。Tornai等［3］則將GPU 并行計算應用到2D-3D 配準中加快計算過程。而Pan 等［4］采取閾值分割來排除不感興趣區域，減小計算數據的大小。Lei 等［5］則利用一對正交X 射線影像上兩個單面板的粗配準結合作為2D-3D 配準初始化減小迭代次數。Ghafurian等［6］提出一種新的圖像梯度概率密度直方圖作為圖像的特征，避免搜索優化6 個自由度的變換向量。晉青鵬等［7］分析解剖特征與DRR 圖像變化的關系進行非剛性配準。同時隨著深度學習的發展，Miao 等［8-10］最先提出并改進使用卷積神經網絡（Convolutional Neural Network,CNN）從圖像殘差中計算CT 空間剛體變換參數。……