学习用于二维/三维图像配准的更新算子

在微创介入中，图像引导通常通过实时二维X射线成像提供。为了在介入过程中增强可用信息，可利用二维/三维图像配准将术前体数据叠加在二维图像上。近年来，基于深度学习的二维/三维配准方法在提升计算效率与鲁棒性方面展现出良好前景。然而，与传统基于优化的方法相比，其在配准精度上仍存在差距。我们旨在通过已知算子学习将传统方法融入深度神经网络以弥补该差距。作为该方向的第一步，我们提出基于点对面对应模型学习迭代式二维/三维配准框架的更新步。我们将点对面对应模型作为已知算子嵌入深度神经网络，并学习用于迭代配准的更新步。结果表明，与不使用已知算子的学习方式相比，更新步预测的配准精度提升了1.8倍。