基于离散动作的强化学习用于迭代 3D/2D 肝脏配准
计算机视觉与模式识别
2026-05-21 v2 医学物理
摘要
预operative CT 与 intraoperative laparoscopic 视频之间的配准是 minimally invasive surgery 中 AR 指导的关键环节。近期的学习型方法已实现与优化型方法相当的配准误差，同时具备更快的推理速度。然而，许多监督式方法产生粗糙的对齐结果，需依赖额外的优化-based 精细化，从而增加推理时间。我们提出一种离散动作强化学习（RL）框架，将 CT 到视频配准形式化为序列决策过程。共享的特征编码器从监督式姿态估计网络中进行 warm-start，以提供稳定的几何特征和更快的收敛速度，从 CT 渲染图和腹镜帧中提取表征；RL 策略头学习沿六自由度选择刚性变换以及何时停止迭代。在公共腹镜数据集上的实验表明，我们的方法实现了平均目标配准误差（TRE）为 15.70 mm，与带优化的监督方法相当，同时实现更快的收敛。该提出的 RL-based 框架实现了无需手动调节步长或停止准则的自动化、高效迭代配准。这种离散框架为未来的连续动作和可变形配准模型在外科 AR 应用中提供了实用基础。
引用
@article{arxiv.2604.10245,
title = {Warm-Started Reinforcement Learning for Iterative 3D/2D Liver Registration},
author = {Hanyuan Zhang and Lucas He and Zijie Cheng and Abdolrahim Kadkhodamohammadi and Danail Stoyanov and Brian R. Davidson and Evangelos B. Mazomenos and Matthew. J Clarkson},
journal= {arXiv preprint arXiv:2604.10245},
year = {2026}
}
备注
Laparoscopic Liver Surgery, Augmented Reality, Image Registration, Reinforcement Learning