用于几何信息多视图匹配的解剖学驱动合成冠状动脉造影

跨多个血管造影视图的准确对应匹配是3D冠状动脉重建和介入引导的前提。然而，用于该任务的鲁棒深度学习模型的发展受到了基础数据瓶颈的阻碍。在血管造影图像对中获取匹配任务的真实标签成本极高且难以规模化。为了克服这一障碍，我们引入了一个基于物理的数据生成框架，该框架从3D冠状动脉CT血管造影（CCTA）体数据中合成高保真度的数字重建影像（DRR）。我们的框架通过在零人工成本下模拟患者解剖结构上的真实C臂采集几何，生成密集且高度准确的3D到2D投影标签。利用这种密集监督，我们提出了一个几何信息匹配模块（GIMM），将全局特征和解剖结构整合到对应学习中。与依赖主观人工标注的真实血管造影不同，我们的数据集提供了带有配对图像的2D对应标签，允许无需人工的评估。我们在提出的CT衍生DRR数据集上全面评估了该方法，并展示了相比其他匹配基线模型的改进。