用于X射线与CT图像融合的自监督2D/3D配准

当大量带标注的配对数据集可用于训练时，基于深度学习的2D/3D配准可实现快速、鲁棒且准确的X射线到CT图像融合。然而，对具有真值配准的配对CT体积与X射线图像的需求限制了其在介入场景中的适用性。一种替代方案是从CT体积使用模拟X射线投影，从而免去对配对标注数据集的需求。仅在模拟X射线投影上训练的深度神经网络由于域间隙在真实X射线图像上表现可能显著更差。我们提出一种自监督2D/3D配准框架，结合模拟训练与无监督特征和像素空间域适应，以克服域间隙并消除对配对标注数据集的需求。我们的框架在真实X射线图像上取得1.83$\pm$1.16 mm的配准精度与90.1%的高成功率，相较参考无标注算法成功率提升23.9%。