UDCR：使用深度强化学习和重叠度计算的无监督主动脉 DSA/CTA 刚性配准
图像与视频处理
2024-03-12 v1 计算机视觉与模式识别
摘要
主动脉数字减影血管造影（DSA）与计算机断层扫描血管造影（CTA）的刚性配准，可为主动脉夹层和主动脉瘤等疾病的介入手术治疗提供血管的 3D 解剖细节，具有重要的临床研究价值。然而，当前的 2D/3D 图像配准方法依赖于人工标注或合成数据，以及特征点提取，这不适用于主动脉 DSA/CTA 的跨模态配准。在本文中，我们提出了一种基于深度强化学习的无监督方法 UDCR，用于主动脉 DSA/CTA 刚性配准。利用 DSA 和 CTA 的成像原理与特征，我们构建了基于空间变换的跨维度配准环境。具体而言，我们提出了一种重叠度计算奖励函数，该函数测量前景与背景之间的强度差异，旨在评估分割图与 DSA 图像之间配准的准确性。该方法具有高度灵活性，允许加载预训练模型直接进行配准，或通过在线学习寻求最佳空间变换参数。我们人工标注了 61 对主动脉 DSA/CTA 用于算法评估。结果表明，所提出的 UDCR 在平移上的平均绝对误差（MAE）为 2.85 mm，在旋转上为 4.35°，显示出巨大的临床应用潜力。
引用
@article{arxiv.2403.05753,
title = {UDCR: Unsupervised Aortic DSA/CTA Rigid Registration Using Deep Reinforcement Learning and Overlap Degree Calculation},
author = {Wentao Liu and Bowen Liang and Weijin Xu and Tong Tian and Qingsheng Lu and Xipeng Pan and Haoyuan Li and Siyu Tian and Huihua Yang and Ruisheng Su},
journal= {arXiv preprint arXiv:2403.05753},
year = {2024}
}